大数据之Hive

Posted on 2024-01-21 Edited on 2024-07-22 In 大数据 , Hive Views: Word count in article: 87k Reading time ≈ 1:19

1、Hive简介

1.1 Hive定义

Hive是由Facebook开源，基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。
Hive是一个Hadoop客户端，用于将HQL（Hive SQL）转化成MapReduce程序。
- Hive中每张表的数据存储在HDFS。
- Hive分析数据底层的实现是MapReduce（也可配置为Spark或者Tez）。
- 执行程序运行在Yarn上。

1.2 Hive架构原理

用户接口Client：CLI（command-line interface）、JDBC/ODBC。JDBC和ODBC的区别：
- JDBC的移植性比ODBC好；（通常情况下，安装完ODBC驱动程序之后，还需要经过确定的配置才能够应用。而不相同的配置在不相同数据库服务器之间不能够通用。所以，安装一次就需要再配置一次。JDBC只需要选取适当的JDBC数据库驱动程序，就不需要额外的配置。在安装过程中，JDBC数据库驱动程序会自己完成有关的配置。）
- 两者使用的语言不同，JDBC在Java编程时使用，ODBC一般在C/C++编程时使用。
元数据Metastore：
- 元数据包括：数据库（默认是default）、表名、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等。
- 默认存储在自带的derby数据库中，由于derby数据库只支持单客户端访问，生产环境中为了多人开发，推荐使用MySQL存储Metastore。
驱动器Driver：
- 解析器（SQLParser）：将SQL字符串转换成抽象语法树（AST）。
- 语义分析（Semantic Analyzer）：将AST进一步划分为QeuryBlock。
- 逻辑计划生成器（Logical Plan Gen）：将语法树生成逻辑计划。
- 逻辑优化器（Logical Optimizer）：对逻辑计划进行优化。
- 物理计划生成器（Physical Plan
  Gen）：根据优化后的逻辑计划生成物理计划。
- 物理优化器（Physical Optimizer）：对物理计划进行优化。
- 执行器（Execution）：执行该计划，得到查询结果并返回给客户端。
Hadoop：使用HDFS进行存储，可以选择MapReduce/Tez/Spark进行计算。

2、Hive安装

2.1 Hive安装地址

Hive官网地址：http://hive.apache.org/
文档查看地址：https://cwiki.apache.org/confluence/display/Hive/GettingStarted
下载地址：http://archive.apache.org/dist/hive/
github地址：https://github.com/apache/hive>

2.2 Hive安装部署

2.2.1 安装Hive

把apache-hive-3.1.3-bin.tar.gz上传到Linux的/opt/software目录下。

解压apache-hive-3.1.3-bin.tar.gz到/opt/module/目录下面。

1 2	tar -zxvf /opt/software/apache-hive-3.1.3-bin.tar.gz -C /opt/module/

修改apache-hive-3.1.3-bin.tar.gz的名称为hive。

1 2	mv /opt/module/apache-hive-3.1.3-bin/ /opt/module/hive

修改/etc/profile.d/my_env.sh，添加环境变量。

sudo vim /etc/profile.d/my_env.sh

# 添加内容
# HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=\$PATH:\$HIVE_HOME/bin

# source一下
source /etc/profile.d/my_env.sh

初始化元数据库（默认是derby数据库）。
1
bin/schematool -dbType derby -initSchema

2.2.2 启动并使用Hive

启动Hive。
1
bin/hive
使用Hive。
1
2
3
4
5
6
7
8
9
hive> show databases;

hive> show tables;

hive> create table stu(id int, name string);

hive> insert into stu values(1,"ss");

hive> select * from stu;
- 观察HDFS的路径/user/hive/warehouse/stu，体会Hive与Hadoop之间的关系：Hive中的表在Hadoop中是目录；Hive中的数据在Hadoop中是文件。

在Xshell窗口中开启另一个窗口开启Hive，在/tmp/{user}目录下监控hive.log文件。

$ tail -f hive.log

Caused by: ERROR XSDB6: Another instance of Derby may have already
booted the database /opt/module/hive/metastore_db.

at org.apache.derby.iapi.error.StandardException.newException(Unknown
Source)

at org.apache.derby.iapi.error.StandardException.newException(Unknown
Source)

at
org.apache.derby.impl.store.raw.data.BaseDataFileFactory.privGetJBMSLockOnDB(Unknown
Source)

at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.run(Unknown
Source)

原因在于Hive默认使用的元数据库为derby。derby数据库的特点是同一时间只允许一个客户端访问。如果多个Hive客户端同时访问，就会报错。由于在企业开发中，都是多人协作开发，需要多客户端同时访问Hive，怎么解决呢？我们可以将Hive的元数据改为用MySQL存储，MySQL支持多客户端同时访问。

首先退出hive客户端。然后在Hive的安装目录下将derby.log和metastore_db删除，顺便将HDFS上目录删除。
1
2
3
4
5
hive> quit;

$ rm -rf derby.log metastore_db

$ hadoop fs -rm -r /user
删除HDFS中/user/hive/warehouse/stu中数据。

2.3 MySQL安装

2.3.1 安装MySQL

上传MySQL安装包以及MySQL驱动jar包。

1
2
3

mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar

mysql-connector-java-5.1.37.jar

解压MySQL安装包。

$ mkdir mysql_lib

$ tar -xf
mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar -C mysql_lib/

卸载系统自带的mariadb。

1 2	sudo rpm -qa \| grep mariadb \| xargs sudo rpm -e --nodeps

安装MySQL依赖。

$ cd mysql_lib

$ sudo rpm -ivh
mysql-community-common-5.7.28-1.el7.x86_64.rpm

$ sudo rpm -ivh
mysql-community-libs-5.7.28-1.el7.x86_64.rpm

$ sudo rpm -ivh
mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm

安装mysql-client。

1 2	$ sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm

安装mysql-server。

1 2	$ sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm

注意：若出现以下错误。

warning: 05_mysql-community-server-5.7.16-1.el7.x86_64.rpm: Header V3
DSA/SHA1 Signature, key ID 5072e1f5: NOKEY

error: Failed dependencies:

libaio.so.1()(64bit) is needed by
mysql-community-server-5.7.16-1.el7.x86_64

解决办法：
1
$ sudo yum -y install libaio

启动MySQL。
1
$ sudo systemctl start mysqld

查看MySQL密码。

1 2	$ sudo cat /var/log/mysqld.log \\| grep password

2.3.2 配置MySQL

配置主要是root用户 + 密码，在任何主机上都能登录MySQL数据库。
- 用刚刚查到的密码进入MySQL（如果报错，给密码加单引号）。
  1
  $ mysql -uroot -p'password'
- 设置复杂密码（由于MySQL密码策略，此密码必须足够复杂）。
  1
  mysql> set password=password("Qs23=zs32");
- 更改MySQL密码策略。
  1
  2
  3
  mysql> set global validate_password_policy=0;
  
  mysql> set global validate_password_length=4;
- 设置简单好记的密码。
  1
  mysql> set password=password("123456");
- 进入MySQL库。
  1
  mysql> use mysql
- 查询user表。
  1
  mysql> select user, host from user;
- 修改user表，把Host表内容修改为%。
  1
  mysql> update user set host="%" where user="root";
- 刷新。
  1
  mysql> flush privileges;
- 退出。
  1
  mysql> quit;

2.3.3 卸载MySQL说明

若因为安装失败或者其他原因，MySQL需要卸载重装，可参考以下内容。

清空原有数据。

①通过/etc/my.cnf查看MySQL数据的存储位置。

$ sudo cat /etc/my.cnf

[mysqld]
datadir=/var/lib/mysql

②去往/var/lib/mysql路径需要root权限。

$ su - root

# cd /var/lib/mysql

# rm -rf \* （注意敲击命令的位置）

卸载MySQL相关包。

①查看安装过的MySQL相关包。

$ sudo rpm -qa | grep -i -E mysql

mysql-community-libs-5.7.16-1.el7.x86_64

mysql-community-client-5.7.16-1.el7.x86_64

mysql-community-common-5.7.16-1.el7.x86_64

mysql-community-libs-compat-5.7.16-1.el7.x86_64

mysql-community-server-5.7.16-1.el7.x86_64

②一键卸载命令。

1 2	$ rpm -qa \| grep -i -E mysql\\|mariadb \| xargs -n1 sudo rpm -e --nodeps

2.4 配置Hive元数据存储到MySQL

2.4.1 配置元数据到MySQL

新建Hive元数据库。

# 登录MySQL
$ mysql -uroot -p123456

# 创建Hive元数据库
mysql> create database metastore;
mysql> quit;

将MySQL的JDBC驱动拷贝到Hive的lib目录下。

1	$ cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib

在$HIVE_HOME/conf目录下新建hive-site.xml文件。

$ vim $HIVE_HOME/conf/hive-site.xml

<!-- 添加如下内容： -->
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- jdbc连接的URL -->
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
    </property>
    
    <!-- jdbc连接的Driver-->
    <property>
<name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.jdbc.Driver</value>
    </property>
    
	<!-- jdbc连接的username-->
    <property>
        <name>javax.jdo.option.ConnectionUserName</name>
        <value>root</value>
    </property>

    <!-- jdbc连接的password -->
    <property>
        <name>javax.jdo.option.ConnectionPassword</name>
        <value>123456</value>
    </property>

    <!-- Hive默认在HDFS的工作目录 -->
    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive/warehouse</value>
    </property>
</configuration>

初始化Hive元数据库（修改为采用MySQL存储元数据）。
1
$ bin/schematool -dbType mysql -initSchema -verbose

2.4.2 验证元数据是否配置成功

再次启动Hive。
1
$ bin/hive

使用Hive。

hive> show databases;
hive> show tables;
hive> create table stu(id int, name string);
hive> insert into stu values(1,"ss");
hive> select * from stu;

在Xshell窗口中开启另一个窗口开启Hive（两个窗口都可以操作Hive，没有出现异常）。
1
2
3
hive> show databases;
hive> show tables;
hive> select * from stu;

2.4.3 查看MySQL中的元数据

登录MySQL。
1
$ mysql -uroot -p123456

查看元数据库metastore。

mysql> show databases;

mysql> use metastore;

mysql> show tables;

2.5 Hive服务部署

2.5.1 hiveserver2服务

Hive的hiveserver2服务的作用是提供jdbc/odbc接口，为用户提供远程访问Hive数据的功能，例如用户期望在个人电脑中访问远程服务中的Hive数据，就需要用到Hiveserver2。
用户说明
- 在远程访问Hive数据时，客户端并未直接访问Hadoop集群，而是由Hivesever2代理访问。由于Hadoop集群中的数据具备访问权限控制，所以此时需考虑一个问题：那就是访问Hadoop集群的用户身份是谁？是Hiveserver2的启动用户？还是客户端的登录用户?
- 答案是都有可能，具体是谁，由Hiveserver2的hive.server2.enable.doAs参数决定，该参数的含义是是否启用Hiveserver2用户模拟的功能。若启用，则Hiveserver2会模拟成客户端的登录用户去访问Hadoop集群的数据，不启用，则Hivesever2会直接使用启动用户访问Hadoop集群数据。模拟用户的功能，默认是开启的。
- 具体逻辑如下：
  - 未开启用户模拟功能：
  - 开启用户模拟功能：
- 生产环境，推荐开启用户模拟功能，因为开启后才能保证各用户之间的权限隔离。

hiveserver2部署

Hadoop端配置：hivesever2的模拟用户功能，依赖于Hadoop提供的proxy user（代理用户功能），只有Hadoop中的代理用户才能模拟其他用户的身份访问Hadoop集群。因此，需要将hiveserver2的启动用户设置为Hadoop的代理用户，配置方式如下：

# 修改配置文件core-site.xml，然后记得分发三台机器
$ cd $HADOOP_HOME/etc/hadoop
$ vim core-site.xml

# 增加如下配置：
<!--配置所有节点的atguigu用户都可作为代理用户-->
<property>
    <name>hadoop.proxyuser.atguigu.hosts</name>
    <value>*</value>
</property>

<!--配置atguigu用户能够代理的用户组为任意组-->
<property>
    <name>hadoop.proxyuser.atguigu.groups</name>
    <value>*</value>
</property>

<!--配置atguigu用户能够代理的用户为任意用户-->
<property>
    <name>hadoop.proxyuser.atguigu.users</name>
<value>*</value>
</property>

Hive端配置：在hive-site.xml文件中添加如下配置信息。

[atguigu@hadoop102 conf]$ vim hive-site.xml

<!-- 指定hiveserver2连接的host -->
<property>
	<name>hive.server2.thrift.bind.host</name>
	<value>hadoop102</value>
</property>

<!-- 指定hiveserver2连接的端口号 -->
<property>
	<name>hive.server2.thrift.port</name>
	<value>10000</value>
</property>

测试

启动hiveserver2。
1
$ bin/hive --service hiveserver2

使用命令行客户端beeline进行远程访问。

$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n atguigu

# 看到如下界面
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.3)
Driver: Hive JDBC (version 3.1.3)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.3 by Apache Hive
0: jdbc:hive2://hadoop102:10000>

使用Datagrip图形化客户端进行远程访问。

配置DataGrip连接。
- 创建连接。
- 配置连接属性。所有属性配置，和Hive的beeline客户端配置一致即可。初次使用，配置过程会提示缺少JDBC驱动，按照提示下载即可。
- 界面介绍。
- 测试sql执行。
- 修改数据库。

2.5.2 metastore服务

Hive的metastore服务的作用是为Hive CLI或者Hiveserver2提供元数据访问接口。
metastore运行模式。metastore有两种运行模式，分别为嵌入式模式和独立服务模式。下面分别对两种模式进行说明：
嵌入式模式：
独立服务模式：
生产环境中，不推荐使用嵌入式模式。因为其存在以下两个问题：
- 嵌入式模式下，每个Hive CLI都需要直接连接元数据库，当Hive
  CLI较多时，数据库压力会比较大。
- 每个客户端都需要用户元数据库的读写权限，元数据库的安全得不到很好的保证。

metastore部署

嵌入式模式：只需保证Hiveserver2和每个Hive
CLI的配置文件hive-site.xml中包含连接元数据库所需要的以下参数即可：

<!-- jdbc连接的URL -->
<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
</property>

<!-- jdbc连接的Driver-->
<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
</property>

<!-- jdbc连接的username-->
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>

<!-- jdbc连接的password -->
<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>123456</value>
</property>

独立服务模式：首先，保证metastore服务的配置文件hive-site.xml中包含连接元数据库所需的以下参数：

<!-- jdbc连接的URL -->
<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
</property>

<!-- jdbc连接的Driver-->
<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
</property>

<!-- jdbc连接的username-->
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>

<!-- jdbc连接的password -->
<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>123456</value>
</property>

其次，保证Hiveserver2和每个Hive
CLI的配置文件hive-site.xml中包含访问metastore服务所需的以下参数：

<!-- 指定metastore服务的地址 -->
<property>
	<name>hive.metastore.uris</name>
	<value>thrift://hadoop102:9083</value>
</property>

注意：主机名需要改为metastore服务所在节点，端口号无需修改，metastore服务的默认端口就是9083。

测试
- 此时启动Hive CLI，执行show databases语句，会出现一下错误提示信息：
  1
  2
  hive (default)> show databases;
  FAILED: HiveException java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient
  这是因为我们在Hive
  CLI的配置文件中配置了hive.metastore.uris参数，此时Hive
  CLI会去请求我们执行的metastore服务地址，所以必须启动metastore服务才能正常使用。metastore服务的启动命令如下：
  1
  2
  $ hive --service metastore
  2022-04-24 16:58:08: Starting Hive Metastore Server
  注意：启动后该窗口不能再操作，需打开一个新的Xshell窗口来对Hive操作。重新启动 Hive CLI，并执行shou databases语句，就能正常访问了：
  1
  $ bin/hive

2.6 Hive使用技巧

2.6.1 Hive常用交互命令

$ bin/hive -help
usage: hive
 -d,--define <key=value>          Variable subsitution to apply to hive
                                  commands. e.g. -d A=B or --define A=B
    --database <databasename>     Specify the database to use
 -e <quoted-query-string>         SQL from command line
 -f <filename>                      SQL from files
 -H,--help                        Print help information
    --hiveconf <property=value>   Use value for given property
    --hivevar <key=value>         Variable subsitution to apply to hive
                                  commands. e.g. --hivevar A=B
 -i <filename>                    Initialization SQL file
 -S,--silent                      Silent mode in interactive shell
 -v,--verbose                     Verbose mode (echo executed SQL to the console)

在Hive命令行里创建一个表student，并插入1条数据。

hive (default)> create table student(id int,name string);
OK
Time taken: 1.291 seconds

hive (default)> insert into table student values(1,"zhangsan");
hive (default)> select * from student;
OK
student.id	student.name
1	zhangsan
Time taken: 0.144 seconds, Fetched: 1 row(s)

“-e”不进入hive的交互窗口执行hql语句。
1
$ bin/hive -e "select id from student;"

“-f”执行脚本中的hql语句。

在/opt/module/hive/下创建datas目录并在datas目录下创建hivef.sql文件。

$ mkdir datas
$ vim hivef.sql
# 文件中写入正确的hql语句
select * from student;

执行文件中的hql语句。

1	$ bin/hive -f /opt/module/hive/datas/hivef.sql

执行文件中的hql语句并将结果写入文件中。

1	$ bin/hive -f /opt/module/hive/datas/hivef.sql > /opt/module/hive/datas/hive_result.txt

2.6.2 Hive参数配置方式

查看当前所有的配置信息。
1
hive>set;
参数的配置三种方式。
- 配置文件方式。
  - 默认配置文件：hive-default.xml
  - 用户自定义配置文件：hive-site.xml
  注意：用户自定义配置会覆盖默认配置。另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
- 命令行参数方式。
  - ①启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。例如：
    1
    2
    # 注意：仅对本次Hive启动有效。
    $ bin/hive -hiveconf mapreduce.job.reduces=10;
  - ②查看参数设置。
    1
    hive (default)> set mapreduce.job.reduces;
- 参数声明方式。可以在HQL中使用SET关键字设定参数，例如：
  1
  2
  3
  4
  5
  # 注意：仅对本次Hive启动有效。
  hive(default)> set mapreduce.job.reduces=10;
  
  # 查看参数设置
  hive(default)> set mapreduce.job.reduces;
上述三种设定方式的优先级依次递增。即配置文件 < 命令行参数 <
参数声明。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。

2.6.3 Hive常见属性配置

Hive客户端显示当前库和表头。

在hive-site.xml中加入如下两个配置：

$ vim hive-site.xml

<property>
    <name>hive.cli.print.header</name>
    <value>true</value>
    <description>Whether to print the names of the columns in query output.</description>
</property>
<property>
    <name>hive.cli.print.current.db</name>
    <value>true</value>
    <description>Whether to include the current database in the Hive prompt.</description>
</property>

hive客户端在运行时可以显示当前使用的库和表头信息。

$ hive

hive (default)> select * from stu;
OK
stu.id	stu.name
1	ss
Time taken: 1.874 seconds, Fetched: 1 row(s)
hive (default)>

Hive运行日志路径配置。
- Hive的log默认存放在/tmp/{USER}/hive.log目录下（当前用户名下）。
- 修改Hive的log存放日志到/opt/module/hive/logs。
  - 修改$HIVE_HOME/conf/hive-log4j2.properties.template文件名称为hive-log4j2.properties：
    1
    2
    3
    4
    $ pwd
    /opt/module/hive/conf
    
    $ mv hive-log4j2.properties.template hive-log4j2.properties
  - 在hive-log4j2.properties文件中修改log存放位置：
    1
    2
    3
    $ vim hive-log4j2.properties
    # 修改配置如下
    property.hive.log.dir=/opt/module/hive/logs
Hive的JVM堆内存设置。新版本的Hive启动的时候，默认申请的JVM堆内存大小为256M，JVM堆内存申请的太小，导致后期开启本地模式，执行复杂的SQL时经常会报错：java.lang.OutOfMemoryError:
Java heap space，因此最好提前调整一下HADOOP_HEAPSIZE这个参数。
- 修改$HIVE_HOME/conf下的hive-env.sh.template为hive-env.sh。
  1
  2
  3
  4
  $ pwd
  /opt/module/hive/conf
  
  $ mv hive-env.sh.template hive-env.sh
- 将hive-env.sh其中的参数export HADOOP_HEAPSIZE修改为2048，重启Hive。
  - 修改前：
    1
    2
    # The heap size of the jvm stared by hive shell script can be controlled via:
    # export HADOOP_HEAPSIZE=1024
  - 修改后：
    1
    2
    # The heap size of the jvm stared by hive shell script can be controlled via:
    export HADOOP_HEAPSIZE=2048
关闭Hadoop虚拟内存检查。在yarn-site.xml中关闭虚拟内存检查（虚拟内存校验，如果已经关闭了，就不需要配了）。修改前记得先停Hadoop，修改完后记得分发yarn-site.xml，并重启yarn。
1
2
3
4
5
6
7
8
9
10
$ pwd
/opt/module/hadoop-3.1.3/etc/hadoop

$ vim yarn-site.xml

# 添加如下配置
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>

3、DDL（Data Definition Language）数据定义

3.1 数据库（database）

3.1.1 创建数据库

语法

CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];

案例

创建一个数据库，不指定路径。

1 2	# 注：若不指定路径，其默认路径为${hive.metastore.warehouse.dir}/database_name.db hive (default)> create database db_hive1;

创建一个数据库，指定路径。

1	hive (default)> create database db_hive2 location '/db_hive2';

创建一个数据库，带有dbproperties。

1	hive (default)> create database db_hive3 with dbproperties('create_date'='2022-11-18');

3.1.2 查询数据库

展示所有数据库

语法

1 2	# 注：like通配表达式说明：*表示任意个任意字符，\|表示或的关系。 SHOW DATABASES [LIKE 'identifier_with_wildcards'];

案例

hive> show databases like 'db_hive*';
OK
db_hive_1
db_hive_2

查看数据库信息

语法
1
DESCRIBE DATABASE [EXTENDED] db_name;

案例

查看基本信息

1
2
3

hive> desc database db_hive3;
OK
db_hive		hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db	atguigu	USER

查看更多信息

hive> desc database extended db_hive3;
OK
db_name	comment	location	owner_name	owner_type	parameters
db_hive3		hdfs://hadoop102:8020/user/hive/warehouse/db_hive3.db	atguigu	USER	{create_date=2022-11-18}

3.1.3 修改数据库

用户可以使用alter database命令修改数据库某些信息，其中能够修改的信息包括dbproperties、location、owner user。需要注意的是：修改数据库location，不会改变当前已有表的路径信息，而只是改变后续创建的新表的默认的父目录。

语法

--修改dbproperties
ALTER DATABASE database_name SET DBPROPERTIES (property_name=property_value, ...);

--修改location
ALTER DATABASE database_name SET LOCATION hdfs_path;

--修改owner user
ALTER DATABASE database_name SET OWNER USER user_name;

案例

修改dbproperties

1	hive> ALTER DATABASE db_hive3 SET DBPROPERTIES ('create_date'='2022-11-20');

3.1.4 删除数据库

语法
1
DROP DATABASE [IF EXISTS] database_name [RESTRICT|CASCADE];
- RESTRICT：严格模式，若数据库不为空，则会删除失败，默认为该模式。
- CASCADE：级联模式，若数据库不为空，则会将库中的表一并删除。

案例

删除空数据库
1
hive> drop database db_hive2;
删除非空数据库
1
hive> drop database db_hive3 cascade;

3.1.5 切换当前数据库

语法
1
USE database_name;

3.2 表（table）

3.2.1 创建表

3.2.1.1 语法

普通建表

完整语法：

CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name   
[(col_name data_type [COMMENT col_comment], ...)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...) 
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format] 
[STORED AS file_format]
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)]

关键字说明：
- TEMPORARY：临时表，该表只在当前会话可见，会话结束，表会被删除。
- EXTERNAL（重点）：外部表，与之相对应的是内部表（管理表）。管理表意味着Hive会完全接管该表，包括元数据和HDFS中的数据。而外部表则意味着Hive只接管元数据，而不完全接管HDFS中的数据。
- data_type（重点）：Hive中的字段类型可分为基本数据类型和复杂数据类型。
  - 基本数据类型如下：
  - 复杂数据类型如下；
- PARTITIONED BY（重点）：创建分区表。
- CLUSTERED BY ... SORTED BY...INTO ... BUCKETS（重点）：创建分桶表。
- ROW FORMAT（重点）：指定SERDE，SERDE是Serializer and Deserializer的简写。Hive使用SERDE序列化和反序列化每行数据。详情可参考Hive-Serde。语法说明如下：
  - 语法一：DELIMITED关键字表示对文件中的每个字段按照特定分割符进行分割，其会使用默认的SERDE对每行数据进行序列化和反序列化。
    1
    2
    3
    4
    5
    6
    ROW FORAMT DELIMITED
    [FIELDS TERMINATED BY char]
    [COLLECTION ITEMS TERMINATED BY char]
    [MAP KEYS TERMINATED BY char]
    [LINES TERMINATED BY char]
    [NULL DEFINED AS char]
    - fields terminated by ：列分隔符。
    - collection items terminated by ：map、struct和array中每个元素之间的分隔符。
    - map keys terminated by ：map中的key与value的分隔符。
    - lines terminated by ：行分隔符。
  - 语法二：SERDE关键字可用于指定其他内置的SERDE或者用户自定义的SERDE。例如JSON SERDE，可用于处理JSON字符串。
    1
    ROW FORMAT SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value,property_name=property_value, ...)]
- STORED AS（重点）：指定文件格式，常用的文件格式有，textfile（默认值），sequence file，orc file、parquet file等等。
- LOCATION：指定表所对应的HDFS路径，若不指定路径，其默认值${hive.metastore.warehouse.dir}/db_name.db/table_name。
- TBLPROPERTIES：用于配置表的一些KV键值对参数。
类型转换：Hive的基本数据类型可以做类型转换，转换的方式包括隐式转换以及显示转换。
- 方式一：隐式转换。具体规则如下：
  - a.任何整数类型都可以隐式地转换为一个范围更广的类型，如tinyint可以转换成int，int可以转换成bigint。
  - b. 所有整数类型、float和string类型都可以隐式地转换成double。
  - c. tinyint、smallint、int都可以转换为float。
  - d. boolean类型不可以转换为任何其它的类型。
- 方式二：显示转换。即可以借助cast函数完成显示的类型转换。
  - a.语法：
    1
    cast(expr as <type>)
  - b.案例：
    1
    2
    3
    4
    hive (default)> select '1' + 2, cast('1' as int) + 2;
    
    _c0 _c1
    3.0 3

Create Table As Select（CTAS）建表

该语法允许用户利用select查询语句返回的结果，直接建表，表的结构和查询语句的结构保持一致，且保证包含select查询语句放回的内容。

CREATE [TEMPORARY] TABLE [IF NOT EXISTS] table_name 
[COMMENT table_comment] 
[ROW FORMAT row_format] 
[STORED AS file_format] 
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)]
[AS select_statement]

Create Table Like语法

该语法允许用户复刻一张已经存在的表结构，与上述的CTAS语法不同，该语法创建出来的表中不包含数据。

CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name
[LIKE exist_table_name]
[ROW FORMAT row_format] 
[STORED AS file_format] 
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)]

3.2.1.2 案例

内部表

内部表。Hive中默认创建的表都是的内部表，有时也被称为管理表。对于内部表，Hive会完全管理表的元数据和数据文件。创建内部表如下：
1
2
3
4
5
6
create table if not exists student(
id int,
name string
)
row format delimited fields terminated by '\t'
location '/user/hive/warehouse/student';

准备其需要的文件如下，注意字段之间的分隔符。

$ vim /opt/module/datas/student.txt

1001	student1
1002	student2
1003	student3
1004	student4
1005	student5
1006	student6
1007	student7
1008	student8
1009	student9
1010	student10
1011	student11
1012	student12
1013	student13
1014	student14
1015	student15
1016	student16

上传文件到Hive表指定的路径：

1	$ hadoop fs -put student.txt /user/hive/warehouse/student

删除表，观察数据HDFS中的数据文件是否还在。
1
hive (default)> drop table student;

外部表

外部表通常可用于处理其他工具上传的数据文件，对于外部表，Hive只负责管理元数据，不负责管理HDFS中的数据文件。

创建外部表如下：

create external table if not exists student(
    id int, 
    name string
)
row format delimited fields terminated by '\t'
location '/user/hive/warehouse/student';

上传文件到Hive表指定的路径：

1	$ hadoop fs -put student.txt /user/hive/warehouse/student

删除表，观察数据HDFS中的数据文件是否还在。
1
hive (default)> drop table student;

SERDE和复杂数据类型

若现有如下格式的JSON文件需要由Hive进行分析处理，请考虑如何设计表？注：以下内容为格式化之后的结果，文件中每行数据为一个完整的JSON字符串。

{
    "name": "dasongsong",
    "friends": [
        "bingbing",
        "lili"
    ],
    "students": {
        "xiaohaihai": 18,
        "xiaoyangyang": 16
    },
    "address": {
        "street": "hui long guan",
        "city": "beijing",
        "postal_code": 10010
    }
}

我们可以考虑使用专门负责JSON文件的JSON Serde，设计表字段时，表的字段与JSON字符串中的一级字段保持一致，对于具有嵌套结构的JSON字符串，考虑使用合适复杂数据类型保存其内容。最终设计出的表结构如下：

hive>
create table teacher
(
    name     string,
    friends  array<string>,
    students map<string,int>,
    address  struct<city:string,street:string,postal_code:int>
)
row format serde 'org.apache.hadoop.hive.serde2.JsonSerDe'
location '/user/hive/warehouse/teacher';

创建该表，并准备以下文件。注意，需要确保文件中每行数据都是一个完整的JSON字符串，JSON
SERDE才能正确的处理。

1
2
3

$ vim /opt/module/datas/teacher.txt

{"name":"dasongsong","friends":["bingbing","lili"],"students":{"xiaohaihai":18,"xiaoyangyang":16},"address":{"street":"hui long guan","city":"beijing","postal_code":10010}}

上传文件到Hive表指定的路径。

1	$ hadoop fs -put teacher.txt /user/hive/warehouse/teacher

create table as select和create table like

-- create table as select
hive>
create table teacher1 as select * from teacher;

-- create table like
hive>
create table teacher2 like teacher;

3.2.2 查看表

展示所有表

语法
1
SHOW TABLES [IN database_name] LIKE ['identifier_with_wildcards'];
- 注：like通配表达式说明：*表示任意个任意字符，|表示或的关系。
案例
1
hive> show tables like 'stu*';

查看表信息

语法
1
DESCRIBE [EXTENDED | FORMATTED] [db_name.]table_name
- EXTENDED：展示详细信息
- FORMATTED：对详细信息进行格式化的展示

案例

查看基本信息
1
hive> desc stu;
查看更多信息
1
hive> desc formatted stu;

3.2.3 修改表

重命名表

语法

1	ALTER TABLE table_name RENAME TO new_table_name

案例

1	hive (default)> alter table stu rename to stu1;

修改列信息

语法

增加列。该语句允许用户增加新的列，新增列的位置位于末尾。

1	ALTER TABLE table_name ADD COLUMNS (col_name data_type [COMMENT col_comment], ...)

更新列。该语句允许用户修改指定列的列名、数据类型、注释信息以及在表中的位置。

1	ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST\|AFTER column_name]

替换列。该语句允许用户用新的列集替换表中原有的全部列。

1	ALTER TABLE table_name REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

案例

查询表结构
1
hive (default)> desc stu;

添加列

1	hive (default)> alter table stu add columns(age int);

更新列

1	hive (default)> alter table stu change column age ages double;

替换列

1	hive (default)> alter table stu replace columns(id int, name string);

3.2.4 删除表

语法
1
DROP TABLE [IF EXISTS] table_name;
案例
1
hive (default)> drop table stu;

3.2.5 清空表

语法
1
TRUNCATE [TABLE] table_name
- 注意：truncate只能清空管理表，不能删除外部表中数据。

案例

1	hive (default)> truncate table student;

4、DML（Data Manipulation Language）数据操作

4.1 Load

Load语句可将文件导入到Hive表中。
语法
1
2
hive>
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)];
- local：表示从本地加载数据到Hive表；否则从HDFS加载数据到Hive表。
- overwrite：表示覆盖表中已有数据，否则表示追加。
- partition：表示上传到指定分区，若目标是分区表，需指定分区。

实操案例

创建一张表。

hive (default)> 
create table student(
    id int, 
    name string
) 
row format delimited fields terminated by '\t';

加载本地文件到hive。

1	hive (default)> load data local inpath '/opt/module/datas/student.txt' into table student;

加载HDFS文件到hive中。

①上传文件到HDFS。

1	$ hadoop fs -put /opt/module/datas/student.txt /user/atguigu

②加载HDFS上数据，导入完成后去HDFS上查看文件是否还存在。

1
2
3

hive (default)> 
load data inpath '/user/atguigu/student.txt' 
into table student;

加载数据覆盖表中已有的数据。

①上传文件到HDFS。

1	hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu;

②加载数据覆盖表中已有的数据。

1
2
3

hive (default)> 
load data inpath '/user/atguigu/student.txt' 
overwrite into table student;

4.2 Insert

4.2.1 将查询结果插入表中

语法

1	INSERT (INTO \| OVERWRITE) TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement;

INTO：将结果追加到目标表
OVERWRITE：用结果覆盖原有数据

案例

新建一张表

hive (default)> 
create table student1(
    id int, 
    name string
) 
row format delimited fields terminated by '\t';

根据查询结果插入数据

hive (default)> insert overwrite table student3 
select 
    id, 
    name 
from student;

4.2.2 将给定Values插入表中

语法

1	INSERT (INTO \| OVERWRITE) TABLE tablename [PARTITION (partcol1[=val1], partcol2[=val2] ...)] VALUES values_row [, values_row ...]

案例

1	hive (default)> insert into table student1 values(1,'wangwu'),(2,'zhaoliu');

4.2.3 将查询结果写入目标路径

语法

1 2	INSERT OVERWRITE [LOCAL] DIRECTORY directory [ROW FORMAT row_format] [STORED AS file_format] select_statement;

案例

1 2	insert overwrite local directory '/opt/module/datas/student' ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.JsonSerDe' select id,name from student;

4.3 Export&Import

Export导出语句可将表的数据和元数据信息一并导出HDFS路径，Import可将Export导出的内容导入Hive，表的数据和元数据信息都会恢复。Export和Import可用于两个Hive实例之间的数据迁移。

语法

--导出
EXPORT TABLE tablename TO 'export_target_path'

--导入
IMPORT [EXTERNAL] TABLE new_or_original_tablename FROM 'source_path' [LOCATION 'import_target_path']

案例

--导出
hive>
export table default.student to '/user/hive/warehouse/export/student';

--导入
hive>
import table student2 from '/user/hive/warehouse/export/student';

6、查询

6.1 基础语法

官网地址：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Select

查询语句语法：

SELECT [ALL | DISTINCT] select_expr, select_expr, ...
  FROM table_reference       -- 从什么表查
  [WHERE where_condition]   -- 过滤
  [GROUP BY col_list]        -- 分组查询
   [HAVING col_list]          -- 分组后过滤
  [ORDER BY col_list]        -- 排序
  [CLUSTER BY col_list
    | [DISTRIBUTE BY col_list] [SORT BY col_list]
  ]
 [LIMIT number]                -- 限制输出的行数

6.2 基本查询（Select…From）

6.2.1 数据准备

原始数据

①在/opt/module/hive/datas/路径上创建dept.txt文件，并赋值如下内容：

# 部门编号 部门名称 部门位置id
$ vim dept.txt

10	行政部	1700
20	财务部	1800
30	教学部	1900
40	销售部	1700

②在/opt/module/hive/datas/路径上创建emp.txt文件，并赋值如下内容：

# 员工编号 姓名 岗位    薪资  部门
$ vim emp.txt

7369	张三	研发	800.00	30
7499	李四	财务	1600.00	20
7521	王五	行政	1250.00	10
7566	赵六	销售	2975.00	40
7654	侯七	研发	1250.00	30
7698	马八	研发	2850.00	30
7782	金九	\N	2450.0	30
7788	银十	行政	3000.00	10
7839	小芳	销售	5000.00	40
7844	小明	销售	1500.00	40
7876	小李	行政	1100.00	10
7900	小元	讲师	950.00	30
7902	小海	行政	3000.00	10
7934	小红明	讲师	1300.00	30

创建部门表

hive (default)>
create table if not exists dept(
    deptno int,    -- 部门编号
    dname string,  -- 部门名称
    loc int        -- 部门位置
)
row format delimited fields terminated by '\t';

创建员工表

hive (default)>
create table if not exists emp(
    empno int,      -- 员工编号
    ename string,   -- 员工姓名
    job string,     -- 员工岗位（大数据工程师、前端工程师、java工程师）
    sal double,     -- 员工薪资
    deptno int      -- 部门编号
)
row format delimited fields terminated by '\t';

导入数据

1
2
3

hive (default)>
load data local inpath '/opt/module/hive/datas/dept.txt' into table dept;
load data local inpath '/opt/module/hive/datas/emp.txt' into table emp;

6.2.2 全表和特定列查询

全表查询
1
hive (default)> select * from emp;

选择特定列查询

1	hive (default)> select empno, ename from emp;

注意：
- SQL语言大小写不敏感。
- SQL可以写在一行或者多行。
- 关键字不能被缩写也不能分行。
- 各子句一般要分行写。
- 使用缩进提高语句的可读性。

6.2.3 列别名

重命名一个列
便于计算
紧跟列名，也可以在列名和别名之间加入关键字’AS’

案例实操

hive (default)> 
select 
    ename AS name, 
    deptno dn 
from emp;

6.2.4 Limit语句

典型的查询会返回多行数据。limit子句用于限制返回的行数。

1 2	hive (default)> select * from emp limit 5; hive (default)> select * from emp limit 2,3; -- 表示从第2行开始，向下抓取3行

6.2.5 Where语句

使用where子句，将不满足条件的行过滤掉
where子句紧随from子句

案例实操

-- 查询出薪水大于1000的所有员工。
hive (default)> select * from emp where sal > 1000;
-- 注意：where子句中不能使用字段别名。

6.2.6 关系运算函数

基本语法。如下操作符主要用于where和having语句中。

6.2.7 逻辑运算函数

基本语法（and/or/not）

案例实操

-- 查询薪水大于1000，部门是30
hive (default)> 
select * 
from emp 
where sal > 1000 and deptno = 30;

-- 查询薪水大于1000，或者部门是30
hive (default)> 
select * 
from emp 
where sal>1000 or deptno=30;

-- 查询除了20部门和30部门以外的员工信息
hive (default)> 
select * 
from emp 
where deptno not in(30, 20);

6.2.8 聚合函数

语法
- count(*)，表示统计所有行数，包含null值；
- count(某列)，表示该列一共有多少行，不包含null值；
- max()，求最大值，不包含null，除非所有值都是null；
- min()，求最小值，不包含null，除非所有值都是null；
- sum()，求和，不包含null。
- avg()，求平均值，不包含null。

案例实操

求总行数（count）

1	hive (default)> select count(*) cnt from emp;

求工资的最大值（max）

1	hive (default)> select max(sal) max_sal from emp;

求工资的最小值（min）

1	hive (default)> select min(sal) min_sal from emp;

求工资的总和（sum）

1	hive (default)> select sum(sal) sum_sal from emp;

求工资的平均值（avg）

1	hive (default)> select avg(sal) avg_sal from emp;

6.3 分组

6.3.1 Group By语句

Group By语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然后对每个组执行聚合操作。

案例实操：

计算emp表每个部门的平均工资。

hive (default)> 
select 
    t.deptno, 
    avg(t.sal) avg_sal 
from emp t 
group by t.deptno;

计算emp每个部门中每个岗位的最高薪水。

hive (default)>
select 
    t.deptno, 
    t.job, 
    max(t.sal) max_sal 
from emp t 
group by t.deptno, t.job;

6.3.2 Having语句

having与where不同点
- where后面不能写分组聚合函数，而having后面可以使用分组聚合函数。
- having只用于group by分组统计语句。

案例实操

求每个部门的平均薪水大于2000的部门

①求每个部门的平均工资。

hive (default)> 
select 
    deptno, 
    avg(sal) 
from emp 
group by deptno;

②求每个部门的平均薪水大于2000的部门。

hive (default)>
select
    deptno, 
    avg(sal) avg_sal 
from emp 
group by deptno  
having avg_sal > 2000;

6.4 Join语句

6.4.1 等值Join

Hive支持通常的sql join语句，但是只支持等值连接，不支持非等值连接。

案例实操

根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称。

hive (default)> 
select 
    e.empno, 
    e.ename, 
    d.dname 
from emp e 
join dept d 
on e.deptno = d.deptno;

6.4.2 表的别名

好处
- 使用别名可以简化查询。
- 区分字段的来源。

案例实操

合并员工表和部门表。

hive (default)> 
select 
    e.*,
    d.* 
from emp e 
join dept d 
on e.deptno = d.deptno;

6.4.3 内连接

内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。

hive (default)> 
select 
    e.empno, 
    e.ename, 
    d.deptno 
from emp e 
join dept d 
on e.deptno = d.deptno;

6.4.4 左外连接

左外连接：join操作符左边表中符合where子句的所有记录将会被返回。

hive (default)> 
select 
    e.empno, 
    e.ename, 
    d.deptno 
from emp e 
left join dept d 
on e.deptno = d.deptno;

6.4.5 右外连接

右外连接：join操作符右边表中符合where子句的所有记录将会被返回。

hive (default)> 
select 
    e.empno, 
    e.ename, 
    d.deptno 
from emp e 
right join dept d 
on e.deptno = d.deptno;

6.4.6 满外连接

满外连接：将会返回所有表中符合where语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用null值替代。
1
2
3
4
5
6
7
8
hive (default)>
select
e.empno,
e.ename,
d.deptno
from emp e
full join dept d
on e.deptno = d.deptno;

6.4.7 多表连接

注意：连接n个表，至少需要n-1个连接条件。例如：连接三个表，至少需要两个连接条件。

数据准备，在/opt/module/hive/datas/下：vim location.txt。

# 部门位置id  部门位置
$ vim location.txt

1700	北京
1800	上海
1900	深圳

创建位置表

hive (default)>
create table if not exists location(
    loc int,           -- 部门位置id
    loc_name string   -- 部门位置
)
row format delimited fields terminated by '\t';

导入数据

1	hive (default)> load data local inpath '/opt/module/hive/datas/location.txt' into table location;

多表连接查询

hive (default)> 
select 
    e.ename, 
    d.dname, 
    l.loc_name
from emp e 
join dept d
on d.deptno = e.deptno 
join location l
on d.loc = l.loc;

大多数情况下，Hive会对每对join连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作，然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l进行连接操作。注意：为什么不是表d和表l先进行连接操作呢？这是因为Hive总是按照从左到右的顺序执行的。

6.4.8 笛卡尔集

笛卡尔集会在下面条件下产生
- 省略连接条件
- 连接条件无效
- 所有表中的所有行互相连接

案例实操

hive (default)> 
select 
    empno, 
    dname 
from emp, dept;

6.4.9 联合（union & union all）

union&union all上下拼接
- union和union all都是上下拼接sql的结果，这点是和join有区别的，join是左右关联，union和union
  all是上下拼接。union去重，union all不去重。
- union和union all在上下拼接sql结果时有两个要求：
  - 两个sql的结果，列的个数必须相同
  - 两个sql的结果，上下所对应列的类型必须一致
案例实操
- 将员工表30部门的员工信息和40部门的员工信息，利用union进行拼接显示。
  1
  2
  3
  4
  5
  6
  7
  8
  hive (default)>
  select *
  from emp
  where deptno=30
  union
  select *
  from emp
  where deptno=40;

6.5.1 全局排序（Order By）

Order By：全局排序，只有一个Reduce。
使用Order By子句排序
- asc（ascend）：升序（默认）
- desc（descend）：降序
Order By子句在select语句的结尾

基础案例实操

查询员工信息按工资升序排列。

hive (default)> 
select 
    * 
from emp 
order by sal;

查询员工信息按工资降序排列。

hive (default)> 
select 
    * 
from emp 
order by sal desc;

按照别名排序案例实操

按照员工薪水的2倍排序。

hive (default)> 
select 
    ename, 
    sal * 2 twosal 
from emp 
order by twosal;

多个列排序案例实操

按照部门和工资升序排序。

hive (default)> 
select 
    ename, 
    deptno, 
    sal 
from emp 
order by deptno, sal;

6.5.2 每个Reduce内部排序（Sort By）

Sort By：对于大规模的数据集order by的效率非常低。在很多情况下，并不需要全局排序，此时可以使用Sort by。
Sort by为每个reduce产生一个排序文件。每个Reduce内部进行排序，对全局结果集来说不是排序。

设置reduce个数

1	hive (default)> set mapreduce.job.reduces=3;

查看设置reduce个数

1	hive (default)> set mapreduce.job.reduces;

根据部门编号降序查看员工信息

hive (default)> 
select 
    * 
from emp 
sort by deptno desc;

将查询结果导入到文件中（按照部门编号降序排序）

1	hive (default)> insert overwrite local directory '/opt/module/hive/datas/sortby-result' select * from emp sort by deptno desc;

6.5.3 分区（Distribute By）

Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个Reducer，通常是为了进行后续的聚集操作。distribute by子句可以做这件事。distribute by类似MapReduce中partition（自定义分区），进行分区，结合sort by使用。
对于distribute by进行测试，一定要分配多reduce进行处理，否则无法看到distribute by的效果。

案例实操：

先按照部门编号分区，再按照员工编号薪资排序。

hive (default)> set mapreduce.job.reduces=3;
hive (default)> 
insert overwrite local directory 
'/opt/module/hive/datas/distribute-result'
select 
    * 
from emp 
distribute by deptno 
sort by sal desc;

注意：
- distribute by的分区规则是根据分区字段的hash码与reduce的个数进行相除后，余数相同的分到一个区。
- Hive要求distribute by语句要写在sort by语句之前。
- 演示完以后mapreduce.job.reduces的值要设置回-1，否则下面分区or分桶表load跑MapReduce的时候会报错。

6.5.4 分区排序（Cluster By）

当distribute by和sort by字段相同时，可以使用cluster by方式。
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序，不能指定排序规则为asc或者desc。

以下两种写法等价

hive (default)> 
select 
    * 
from emp 
cluster by deptno;

hive (default)> 
select 
    * 
from emp 
distribute by deptno 
sort by deptno;

注意：按照部门编号分区，不一定就是固定死的数值，可以是20号和30号部门分到一个分区里面去。

8、函数

8.1 函数简介

Hive会将常用的逻辑封装成函数给用户进行使用，类似于Java中的函数。
好处：避免用户反复写逻辑，可以直接拿来使用。
重点：用户需要知道函数叫什么，能做什么。
Hive提供了大量的内置函数，按照其特点可大致分为如下几类：单行函数、聚合函数、炸裂函数、窗口函数。
以下命令可用于查询所有内置函数的相关信息。
- 查看系统内置函数
  1
  hive> show functions;
- 查看内置函数用法
  1
  hive> desc function upper;
- 查看内置函数详细信息
  1
  hive> desc function extended upper;

8.2 单行函数

单行函数的特点是一进一出，即输入一行，输出一行。
单行函数按照功能可分为如下几类：日期函数、字符串函数、集合函数、数学函数、流程控制函数等。

8.2.1 算术运算函数

案例实操：查询出所有员工的薪水后加1显示。
1
hive (default)> select sal + 1 from emp;

8.2.2 数值函数

round：四舍五入
1
hive> select round(3.3); -- 3
ceil：向上取整
1
hive> select ceil(3.1) ; -- 4
floor：向下取整
1
hive> select floor(4.8); -- 4

8.2.3 字符串函数

substring：截取字符串

语法一：substring(string A, int start)；返回值：string
- 说明：返回字符串A从start位置到结尾的字符串
语法二：substring(string A, int start, int len)；返回值：string
说明：返回字符串A从start位置开始，长度为len的字符串
案例实操：
- 获取第二个字符以后的所有字符
  1
  hive> select substring("atguigu",2); -- tguigu
- 获取倒数第三个字符以后的所有字符
  1
  hive> select substring("atguigu",-3); -- igu
- 从第3个字符开始，向后获取2个字符
  1
  hive> select substring("atguigu",3,2); -- gu

replace ：替换

语法：replace(string A, string B, string C)；返回值：string
- 说明：将字符串A中的子字符串B替换为C。
1
hive> select replace('atguigu', 'a', 'A') -- Atguigu

regexp_replace：正则替换

语法：regexp_replace(string A, string B, string C)；返回值：string
- 说明：将字符串A中的符合java正则表达式B的部分替换为C。注意，在有些情况下要使用转义字符。
1
hive> select regexp_replace('100-200', '(\\d+)', 'num') -- num-num

regexp：正则匹配

语法：字符串 regexp 正则表达式；返回值：boolean

说明：若字符串符合正则表达式，则返回true，否则返回false。

-- 正则匹配成功，输出true
hive> select 'dfsaaaa' regexp 'dfsa+' -- true

-- 正则匹配失败，输出false
hive> select 'dfsaaaa' regexp 'dfsb+'; -- false

repeat：重复字符串

语法：repeat(string A, int n)；返回值：string
- 说明：将字符串A重复n遍。
1
hive> select repeat('123', 3); -- 123123123

split ：字符串切割

语法：split(string str, string pat)；返回值：array
- 说明：按照正则表达式pat匹配到的内容分割str，分割后的字符串，以数组的形式返回。
1
hive> select split('a-b-c-d','-'); -- ["a","b","c","d"]

nvl ：替换null值

语法：nvl(A,B)
- 说明：若A的值不为null，则返回A，否则返回B。
1
hive> select nvl(null,1); -- 1

concat ：拼接字符串

语法：concat(string A, string B, string C, ……)；返回：string
- 说明：将A,B,C……等字符拼接为一个字符串
1
hive> select concat('beijing','-','shanghai','-','shenzhen'); -- beijing-shanghai-shenzhen

concat_ws：以指定分隔符拼接字符串或者字符串数组

语法：concat_ws(string A, string…| array(string))；返回值：string

说明：使用分隔符A拼接多个字符串，或者一个数组的所有元素。

1
2
3

hive>select concat_ws('-','beijing','shanghai','shenzhen'); -- beijing-shanghai-shenzhen

hive> select concat_ws('-',array('beijing','shenzhen','shanghai')); -- beijing-shanghai-shenzhen

get_json_object：解析json字符串

语法：get_json_object(string json_string, string path)；返回值：string
说明：解析json的字符串json_string，返回path指定的内容。如果输入的json字符串无效，那么返回NULL。

案例实操：

获取json数组里面的json具体数据

1	hive> select get_json_object('[{"name":"大海海","sex":"男","age":"25"},{"name":"小宋宋","sex":"男","age":"47"}]','$.[0].name'); -- 大海海

获取json数组里面的数据

1	hive> select get_json_object('[{"name":"大海海","sex":"男","age":"25"},{"name":"小宋宋","sex":"男","age":"47"}]','$.[0]'); -- {"name":"大海海","sex":"男","age":"25"}

8.2.4 日期函数

unix_timestamp：返回当前或指定时间的时间戳

语法：unix_timestamp()；返回值：bigint

案例实操：

1	hive> select unix_timestamp('2022/08/08 08-08-08','yyyy/MM/dd HH-mm-ss'); -- 1659946088

说明：-前面是日期后面是指，日期传进来的具体格式

from_unixtime：转化UNIX时间戳（从 1970-01-01 00:00:00 UTC
到指定时间的秒数）到当前时区的时间格式

语法：from_unixtime(bigint unixtime[, string format])；返回值：string

案例实操：

1	hive> select from_unixtime(1659946088); -- 2022-08-08 08:08:08

current_date：当前日期

案例实操：

1	hive> select current_date; -- 2022-07-11

current_timestamp：当前的日期加时间，并且精确的毫秒

案例实操：

1	hive> select current_timestamp; -- 2022-07-11 15:32:22.402

month：获取日期中的月

语法：month (string date)；返回值：int

案例实操：

1	hive> select month('2022-08-08 08:08:08'); - 8

day：获取日期中的日

语法：day (string date)；返回值：int

案例实操：

1	hive> select day('2022-08-08 08:08:08') -- 8

hour：获取日期中的小时

语法：hour (string date)；返回值：int

案例实操：

1	hive> select hour('2022-08-08 08:08:08'); -- 8

datediff：两个日期相差的天数（结束日期减去开始日期的天数）

语法：datediff(string enddate, string startdate)；返回值：int

案例实操：

1	hive> select datediff('2021-08-08','2022-10-09'); -- 427

date_add：日期加天数

语法：date_add(string startdate, int days)；返回值：string
说明：返回开始日期 startdate 增加 days 天后的日期。

案例实操：

1	hive> select date_add('2022-08-08',2); -- 2022-08-10

date_sub：日期减天数

语法：date_sub (string startdate, int days)；返回值：string
说明：返回开始日期startdate减少days天后的日期。

案例实操：

1	hive> select date_sub('2022-08-08',2); -- 2022-08-06

date_format:将标准日期解析成指定格式字符串

案例实操：

1	hive> select date_format('2022-08-08','yyyy年-MM月-dd日') -- 2022年-08月-08日

8.2.5 流程控制函数

case when：条件判断函数

语法一：case when a then b [when c then d]* [else e] end；返回值：T
- 说明：如果a为true，则返回b；如果c为true，则返回d；否则返回e。
1
hive> select case when 1=2 then 'tom' when 2=2 then 'mary' else 'tim' end from tabl eName; -- mary
语法二： case a when b then c [when d then e]* [else f] end；返回值: T
- 说明：如果a等于b，那么返回c；如果a等于d，那么返回e；否则返回f。
1
hive> select case 100 when 50 then 'tom' when 100 then 'mary' else 'tim' end from t ableName; -- mary

if: 条件判断，类似于Java中三元运算符

语法：if（boolean testCondition, T valueTrue, T valueFalseOrNull）；返回值：T

说明：当条件testCondition为true时，返回valueTrue；否则返回valueFalseOrNull。

-- 条件满足，输出正确
hive> select if(10 > 5,'正确','错误'); -- 输出：正确
-- 条件满足，输出错误
hive> select if(10 < 5,'正确','错误'); -- 输出：错误

8.2.6 集合函数

size：集合中元素的个数

1	hive> select size(friends) from test;

map：创建map集合

语法：map (key1, value1, key2, value2, …)
说明：根据输入的key和value对构建map类型。

案例实操：

1 2	hive> select map('xiaohai',1,'dahai',2); -- 输出：{"xiaohai":1,"dahai":2}

map_keys：返回map中的key

1 2	hive> select map_keys(map('xiaohai',1,'dahai',2)); -- 输出：["xiaohai","dahai"]

map_values: 返回map中的value

1 2	hive> select map_values(map('xiaohai',1,'dahai',2)); -- 输出：[1,2]

array 声明array集合

语法：array(val1, val2, …)
说明：根据输入的参数构建数组array类

案例实操：

1 2	hive> select array('1','2','3','4'); -- 输出：["1","2","3","4"]

array_contains: 判断array中是否包含某个元素

1 2	hive> select array_contains(array('a','b','c','d'),'a'); -- 输出：true

sort_array：将array中的元素排序

1 2	hive> select sort_array(array('a','d','c')); -- 输出：["a","c","d"]

struct声明struct中的各属性

语法：struct(val1, val2, val3, …)
说明：根据输入的参数构建结构体struct类

案例实操：

1 2	hive> select struct('name','age','weight'); -- 输出：{"col1":"name","col2":"age","col3":"weight"}

named_struct声明struct的属性和值

1 2	hive> select named_struct('name','xiaosong','age',18,'weight',80); -- 输出：{"name":"xiaosong","age":18,"weight":80}

8.2.7 案例演示

数据准备

表结构

建表语句

hive> 
create  table  employee(
    name string,  --姓名
    sex  string,  --性别
    birthday string, --出生年月
    hiredate string, --入职日期
    job string,   --岗位
    salary double, --薪资
    bonus double,  --奖金
    friends array<string>, --朋友
    children map<string,int> --孩子
)

插入数据

hive> insert into employee  
  values('张无忌','男','1980/02/12','2022/08/09','销售',3000,12000,array('阿朱','小昭'),map('张小无',8,'张小忌',9)),
        ('赵敏','女','1982/05/18','2022/09/10','行政',9000,2000,array('阿三','阿四'),map('赵小敏',8)),
        ('宋青书','男','1981/03/15','2022/04/09','研发',18000,1000,array('王五','赵六'),map('宋小青',7,'宋小书',5)),
        ('周芷若','女','1981/03/17','2022/04/10','研发',18000,1000,array('王五','赵六'),map('宋小青',7,'宋小书',5)),
        ('郭靖','男','1985/03/11','2022/07/19','销售',2000,13000,array('南帝','北丐'),map('郭芙',5,'郭襄',4)),
        ('黄蓉','女','1982/12/13','2022/06/11','行政',12000,null,array('东邪','西毒'),map('郭芙',5,'郭襄',4)),
        ('杨过','男','1988/01/30','2022/08/13','前台',5000,null,array('郭靖','黄蓉'),map('杨小过',2)),
        ('小龙女','女','1985/02/12','2022/09/24','前台',6000,null,array('张三','李四'),map('杨小过',2))

需求

统计每个月的入职人数

select
  month(replace(hiredate,'/','-')) as month,
  count(*) as cn
from
  employee
group by
  month(replace(hiredate,'/','-'))

查询每个人的年龄（年 + 月）

-- 转换日期
select
  name,
  replace(birthday,'/','-') birthday
from
  employee  t1

-- 求出年和月
select
  name,
  year(current_date())-year(t1.birthday) year,
  month(current_date())-month(t1.birthday) month
from
  (
    select
      name,
      replace(birthday,'/','-') birthday
    from
      employee
)t1 t2

-- 根据月份正负决定年龄
select
  name,
  concat(if(month>=0,year,year-1),'年',if(month>=0,month,12+month),'月') age
from
  (
    select
      name,
      year(current_date())-year(t1.birthday) year,
      month(current_date())-month(t1.birthday) month
    from
      (
        select
          name,
          replace(birthday,'/','-') birthday
        from
          employee
    )t1
)t2

按照薪资，奖金的和进行倒序排序，如果奖金为null，置位0

select
  name,
  salary + nvl(bonus,0) sal
from
  employee
order by
   sal desc

查询每个人有多少个朋友

select 
name,
size(friends) cnt
from 
employee;

查询每个人的孩子的姓名

hive>
select 
name,
map_keys(children) ch_name
from 
employee;

查询每个岗位男女各多少人

select
  job,
  sum(if(sex='男',1,0)) male,
  sum(if(sex='女',1,0)) female
from
  employee
group by 
  job

8.3 高级聚合函数

多进一出（多行传入，一个行输出）。
普通聚合count/sum.… 见6.2.8

collect_list收集并形成list集合，结果不去重

hive>
select 
  sex,
  collect_list(job)
from
  employee
group by 
  sex
  
-- 输出
女	["行政","研发","行政","前台"]
男	["销售","研发","销售","前台"]

collect_set 收集并形成set集合，结果去重

hive>
select 
  sex,
  collect_set(job)
from
  employee
group by 
  sex
  
-- 输出
女	["行政","研发","前台"]
男	["销售","研发","前台"]

8.3.1 案例演示

每个月的入职人数以及姓名

hive> 
select
  month(replace(hiredate,'/','-')) as month,
  count(*) as cn,
  Collect_list(name) as name_list
from
  employee
group by
  month(replace(hiredate,'/','-'))
  
-- 输出
month  cn  name_list
4	    2	["宋青书","周芷若"]
6	    1	["黄蓉"]
7	    1	["郭靖"]
8	    2	["张无忌","杨过"]
9	    2	["赵敏","小龙女"]

8.4 炸裂函数

8.4.1 概述

8.4.2 案例演示

数据准备

表结构

建表语句

hive (default)>
create table movie_info(
    movie string,     --电影名称
    category string   --电影分类
) 
row format delimited fields terminated by "\t";

装载语句

insert overwrite table movie_info
values ("《疑犯追踪》", "悬疑,动作,科幻,剧情"),
       ("《Lie to me》", "悬疑,警匪,动作,心理,剧情"),
       ("《战狼2》", "战争,动作,灾难");

需求

根据上述电影信息表，统计各分类的电影数量

select
    cate,
    count(*)
from
(
    select
        movie,
        cate
    from
    (
        select
            movie,
            split(category,',') cates
        from movie_info
    )t1 lateral view explode(cates) tmp as cate
)t2
group by cate;

8.5 窗口函数（开窗函数）

8.5.1 概述

8.5.2 常用窗口函数

按照功能，常用窗口可划分为如下几类：聚合函数、跨行取值函数、排名函数。

聚合函数

max：最大值。
min：最小值。
sum：求和。
avg：平均值。
count：计数。

跨行取值函数

lead和lag
- 注：lag和lead函数不支持自定义窗口。
first_value和last_value
排名函数
- 注：rank、dense_rank、row_number不支持自定义窗口。

8.5.3 案例演示

数据准备

表结构

建表语句

create table order_info
(
    order_id     string, --订单id
    user_id      string, -- 用户id
    user_name    string, -- 用户姓名
    order_date   string, -- 下单日期
    order_amount int     -- 订单金额
);

装载语句

insert overwrite table order_info
values ('1', '1001', '小元', '2022-01-01', '10'),
       ('2', '1002', '小海', '2022-01-02', '15'),
       ('3', '1001', '小元', '2022-02-03', '23'),
       ('4', '1002', '小海', '2022-01-04', '29'),
       ('5', '1001', '小元', '2022-01-05', '46'),
       ('6', '1001', '小元', '2022-04-06', '42'),
       ('7', '1002', '小海', '2022-01-07', '50'),
       ('8', '1001', '小元', '2022-01-08', '50'),
       ('9', '1003', '小辉', '2022-04-08', '62'),
       ('10', '1003', '小辉', '2022-04-09', '62'),
       ('11', '1004', '小猛', '2022-05-10', '12'),
       ('12', '1003', '小辉', '2022-04-11', '75'),
       ('13', '1004', '小猛', '2022-06-12', '80'),
       ('14', '1003', '小辉', '2022-04-13', '94');

需求

统计每个用户截至每次下单的累积下单总额

select
    order_id,
    user_id,
    user_name,
    order_date,
    order_amount,
    sum(order_amount) over(partition by user_id order by order_date rows between unbounded preceding and current row) sum_so_far
from order_info;

统计每个用户截至每次下单的当月累积下单总额

select
    order_id,
    user_id,
    user_name,
    order_date,
    order_amount,
    sum(order_amount) over(partition by user_id,substring(order_date,1,7) order by order_date rows between unbounded preceding and current row) sum_so_far
from order_info;

统计每个用户每次下单距离上次下单相隔的天数（首次下单按0天算）

select
    order_id,
    user_id,
    user_name,
    order_date,
    order_amount,
    nvl(datediff(order_date,last_order_date),0) diff
from
(
    select
        order_id,
        user_id,
        user_name,
        order_date,
        order_amount,
        lag(order_date,1,null) over(partition by user_id order by order_date) last_order_date
    from order_info
)t1

查询所有下单记录以及每个用户的每个下单记录所在月份的首/末次下单日期

select
    order_id,
    user_id,
    user_name,
    order_date,
    order_amount,
    first_value(order_date) over(partition by user_id,substring(order_date,1,7) order by order_date) first_date,
    last_value(order_date) over(partition by user_id,substring(order_date,1,7) order by order_date rows between unbounded preceding and unbounded following) last_date
from order_info;

为每个用户的所有下单记录按照订单金额进行排名

select
    order_id,
    user_id,
    user_name,
    order_date,
    order_amount,
    rank() over(partition by user_id order by order_amount desc) rk,
    dense_rank() over(partition by user_id order by order_amount desc) drk,
    row_number() over(partition by user_id order by order_amount desc) rn
from order_info;

;

8.6 自定义函数

Hive自带了一些函数，比如：max/min等，但是数量有限，自己可以通过自定义UDF来方便的扩展。
当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。
根据用户自定义函数类别分为以下三种：
- UDF（User-Defined-Function）：一进一出。
- UDAF（User-Defined Aggregation Function）：用户自定义聚合函数，多进一出。类似于：count/max/min。
- UDTF（User-Defined Table-Generating Functions）：用户自定义表生成函数，一进多出。如lateral view explode()。
官方文档地址：https://cwiki.apache.org/confluence/display/Hive/HivePlugins
编程步骤
- 继承Hive提供的类。
  - org.apache.hadoop.hive.ql.udf.generic.GenericUDF
  - org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
- 实现类中的抽象方法。
- 在hive的命令行窗口创建函数。
  - 添加jar。
    1
    add jar linux_jar_path
  - 创建function。
    1
    create [temporary] function [dbname.]function_name AS class_name;
- 在hive的命令行窗口删除函数。
  1
  drop [temporary] function [if exists] [dbname.]function_name;

8.7 自定义UDF函数

需求：自定义一个UDF实现计算给定基本数据类型的长度，例如：
1
hive(default)> select my_len("abcd"); -- 4
创建一个Maven工程Hive

导入依赖

<dependencies>
	<dependency>
		<groupId>org.apache.hive</groupId>
		<artifactId>hive-exec</artifactId>
		<version>3.1.3</version>
	</dependency>
</dependencies>

创建一个类

/**
 * 我们需计算一个要给定基本数据类型的长度
 */
public class MyUDF extends GenericUDF {
    /**
     * 判断传进来的参数的类型和长度
     * 约定返回的数据类型
     */
    @Override
    public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {

        if (arguments.length !=1) {
            throw  new UDFArgumentLengthException("please give me  only one arg");
        }

        if (!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){
            throw  new UDFArgumentTypeException(1, "i need primitive type arg");
        }

        return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
    }

    /**
     * 解决具体逻辑的
     */
    @Override
    public Object evaluate(DeferredObject[] arguments) throws HiveException {

        Object o = arguments[0].get();
        if(o==null){
            return 0;
        }

        return o.toString().length();
    }

    @Override
    // 用于获取解释的字符串
    public String getDisplayString(String[] children) {
        return "";
    }
}

创建临时函数

打成jar包上传到服务器/opt/module/hive/datas/myudf.jar。

将jar包添加到hive的classpath，临时生效。

1	hive (default)> add jar /opt/module/hive/datas/myudf.jar;

创建临时函数与开发好的java class关联。

1
2
3

hive (default)> 
create temporary function my_len 
as "com.atguigu.hive.udf.MyUDF";

即可在hql中使用自定义的临时函数。

hive (default)> 
select 
    ename,
    my_len(ename) ename_len 
from emp;

删除临时函数。

1	hive (default)> drop temporary function my_len;

注意：临时函数只跟会话有关系，跟库没有关系。只要创建临时函数的会话不断，在当前会话下，任意一个库都可以使用，其他会话全都不能使用。

创建永久函数
- 注意：因为add jar本身也是临时生效，所以在创建永久函数的时候，需要指定路径（并且因为元数据的原因，这个路径还得是HDFS上的路径）。
  1
  2
  3
  4
  hive (default)>
  create function my_len2
  as "com.atguigu.hive.udf.MyUDF"
  using jar "hdfs://hadoop102:8020/udf/myudf.jar";
- 即可在hql中使用自定义的永久函数。
  1
  2
  3
  4
  5
  hive (default)>
  select
  ename,
  my_len2(ename) ename_len
  from emp;
- 删除永久函数。
  1
  hive (default)> drop function my_len2;

注意：永久函数跟会话没有关系，创建函数的会话断了以后，其他会话也可以使用。

永久函数创建的时候，在函数名之前需要自己加上库名，如果不指定库名的话，会默认把当前库的库名给加上。

永久函数使用的时候，需要在指定的库里面操作，或者在其他库里面使用的话加上，库名.函数名。

10、分区表和分桶表

10.1 分区表

Hive中的分区就是把一张大表的数据按照业务需要分散的存储到多个目录，每个目录就称为该表的一个分区。在查询时通过where子句中的表达式选择查询所需要的分区，这样的查询效率会提高很多。

10.1.1 分区表基本语法

创建分区表

hive (default)> 
create table dept_partition
(
    deptno int,    --部门编号
    dname  string, --部门名称
    loc    string  --部门位置
)
    partitioned by (day string)
    row format delimited fields terminated by '\t';

分区表读写数据

写数据

load

数据准备：在/opt/module/hive/datas/路径上创建文件dept_20220401.log，并输入如下内容。
1
2
3
4
$ vim dept_20220401.log

10 行政部 1700
20 财务部 1800

装载语句

hive (default)> 
load data local inpath '/opt/module/hive/datas/dept_20220401.log' 
into table dept_partition 
partition(day='20220401');

insert：将day='20220401'分区的数据插入到day='20220402'分区，可执行如下装载语句：

hive (default)> 
insert overwrite table dept_partition partition (day = '20220402')
select deptno, dname, loc
from dept_partition
where day = '2020-04-01';

读数据
- 查询分区表数据时，可以将分区字段看作表的伪列，可像使用其他字段一样使用分区字段。
  1
  2
  3
  select deptno, dname, loc ,day
  from dept_partition
  where day = '2020-04-01';

分区表基本操作

查看所有分区信息
1
hive> show partitions dept_partition;

增加分区

创建单个分区

1
2
3

hive (default)> 
alter table dept_partition 
add partition(day='20220403');

同时创建多个分区（分区之间不能有逗号）

1
2
3

hive (default)> 
alter table dept_partition 
add partition(day='20220404') partition(day='20220405');

删除分区

删除单个分区

1
2
3

hive (default)> 
alter table dept_partition 
drop partition (day='20220403');

同时删除多个分区（分区之间必须有逗号）

1
2
3

hive (default)> 
alter table dept_partition 
drop partition (day='20220404'), partition(day='20220405');

修复分区
- Hive将分区表的所有分区信息都保存在了元数据中，只有元数据与HDFS上的分区路径一致时，分区表才能正常读写数据。若用户手动创建/删除分区路径，Hive都是感知不到的，这样就会导致Hive的元数据和HDFS的分区路径不一致。再比如，若分区表为外部表，用户执行drop
  partition命令后，分区元数据会被删除，而HDFS的分区路径不会被删除，同样会导致Hive的元数据和HDFS的分区路径不一致。
若出现元数据和HDFS路径不一致的情况，可通过如下几种手段进行修复。
- add partition：若手动创建HDFS的分区路径，Hive无法识别，可通过add
  partition命令增加分区元数据信息，从而使元数据和分区路径保持一致。
- drop partition：若手动删除HDFS的分区路径，Hive无法识别，可通过drop
  partition命令删除分区元数据信息，从而使元数据和分区路径保持一致。
- msck：若分区元数据和HDFS的分区路径不一致，还可使用msck命令进行修复，以下是该命令的用法说明。
  1
  2
  hive (default)>
  msck repair table table_name [add/drop/sync partitions];
  - msck repair table table_name add partitions：该命令会增加HDFS路径存在但元数据缺失的分区信息。
  - msck repair table table_name drop partitions：该命令会删除HDFS路径已经删除但元数据仍然存在的分区信息。
  - msck repair table table_name sync partitions：该命令会同步HDFS路径和元数据分区信息，相当于同时执行上述的两个命令。
  - msck repair table table_name：等价于msck repair table table_name add partitions命令。

10.1.2 二级分区表

如果一天内的日志数据量也很大，如何再将数据拆分？答案是二级分区表，例如可以在按天分区的基础上，再对每天的数据按小时进行分区。

二级分区表建表语句

hive (default)>
create table dept_partition2(
    deptno int,    -- 部门编号
    dname string, -- 部门名称
    loc string     -- 部门位置
)
partitioned by (day string, hour string)
row format delimited fields terminated by '\t';

数据装载语句

hive (default)> 
load data local inpath '/opt/module/hive/datas/dept_20220401.log' 
into table dept_partition2 
partition(day='20220401', hour='12');

查询分区数据

hive (default)> 
select 
    * 
from dept_partition2 
where day='20220401' and hour='12'

10.1.3 动态分区

动态分区是指向分区表insert数据时，被写往的分区不由用户指定，而是由每行数据的最后一个字段的值来动态的决定。使用动态分区，可只用一个insert语句将数据写入多个分区。
动态分区相关参数
- 动态分区功能总开关（默认true，开启）。
  1
  set hive.exec.dynamic.partition=true
- 严格模式和非严格模式。动态分区的模式，默认strict（严格模式），要求必须指定至少一个分区为静态分区，nonstrict（非严格模式）允许所有的分区字段都使用动态分区。
  1
  set hive.exec.dynamic.partition.mode=nonstrict
- 一条insert语句可同时创建的最大的分区个数，默认为1000。
  1
  set hive.exec.max.dynamic.partitions=1000
- 单个Mapper或者Reducer可同时创建的最大的分区个数，默认为100。
  1
  set hive.exec.max.dynamic.partitions.pernode=100
- 一条insert语句可以创建的最大的文件个数，默认100000。
  1
  hive.exec.max.created.files=100000
- 当查询结果为空时且进行动态分区时，是否抛出异常，默认false。
  1
  hive.error.on.empty.partition=false

案例实操。需求：将dept表中的数据按照地区（loc字段），插入到目标表dept_partition_dynamic的相应分区中。

创建目标分区表。

hive (default)> 
create table dept_partition_dynamic(
    id int, 
    name string
) 
partitioned by (loc int) 
row format delimited fields terminated by '\t';

设置动态分区。

set hive.exec.dynamic.partition.mode = nonstrict;
hive (default)> 
insert into table dept_partition_dynamic 
partition(loc) 
select 
    deptno, 
    dname, 
    loc 
from dept;

查看目标分区表的分区情况。

1	hive (default)> show partitions dept_partition_dynamic;

10.2 分桶表

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive可以进一步组织成桶，也就是更为细粒度的数据范围划分，分区针对的是数据的存储路径，分桶针对的是数据文件。
分桶表的基本原理是，首先为每行数据计算一个指定字段的数据的hash值，然后模以一个指定的分桶数，最后将取模运算结果相同的行，写入同一个文件中，这个文件就称为一个分桶（bucket）。

10.2.1 分桶表基本语法

建表语句

hive (default)> 
create table stu_buck(
    id int, 
    name string
)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';

数据装载

数据准备：在/opt/module/hive/datas/路径上创建student.txt文件，并输入如下内容。

1001	student1
1002	student2
1003	student3
1004	student4
1005	student5
1006	student6
1007	student7
1008	student8
1009	student9
1010	student10
1011	student11
1012	student12
1013	student13
1014	student14
1015	student15
1016	student16

导入数据到分桶表中。说明：Hive新版本load数据可以直接跑MapReduce，老版的Hive需要将数据传到一张表里，再通过查询的方式导入到分桶表里面。
1
2
3
hive (default)>
load data local inpath '/opt/module/hive/datas/student.txt'
into table stu_buck;
查看创建的分桶表中是否分成4个桶。
观察每个分桶中的数据。

10.2.2 分桶排序表

建表语句

hive (default)> 
create table stu_buck_sort(
    id int, 
    name string
)
clustered by(id) sorted by(id)
into 4 buckets
row format delimited fields terminated by '\t';

数据装载
- 导入数据到分桶表中。
  1
  2
  3
  hive (default)>
  load data local inpath '/opt/module/hive/datas/student.txt'
  into table stu_buck_sort;
- 查看创建的分桶表中是否分成4个桶。
- 观察每个分桶中的数据。

11、文件格式和压缩

11.1 Hadoop压缩概述

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示：
- Hadoop查看支持压缩的方式hadoop checknative。
- Hadoop在driver端设置压缩。
压缩性能的比较：
- http://google.github.io/snappy/：On a single core of a Core i7 processor in 64-bit mode, Snappy
  compresses at about 250 MB/sec or more and decompresses at about 500
  MB/sec or more.

11.2 Hive文件格式

为Hive表中的数据选择一个合适的文件格式，对提高查询性能的提高是十分有益的。Hive表数据的存储格式，可以选择text file、orc、parquet、sequence file等。

11.2.1 Text File

文本文件是Hive默认使用的文件格式，文本文件中的一行内容，就对应Hive表中的一行记录。

可通过以下建表语句指定文件格式为文本文件：

1
2
3

create table textfile_table
(column_specs)
stored as textfile;

11.2.2 ORC

文件格式

ORC（Optimized Row Columnar）file format是Hive 0.11版里引入的一种列式存储的文件格式。ORC文件能够提高Hive读写数据和处理数据的性能。
与列式存储相对的是行式存储，下图是两者的对比：
- 如图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。
行存储的特点：查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。
列存储的特点：
- 因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。
- 前文提到的text file和sequence file都是基于行存储的，orc和parquet是基于列式存储的。
orc文件的具体结构如下图所示：
- 每个Orc文件由Header、Body和Tail三部分组成。
  - 其中Header内容为ORC，用于表示文件类型。
  - Body由1个或多个stripe组成，每个stripe一般为HDFS的块大小，每一个stripe包含多条记录，这些记录按照列进行独立存储，每个stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer。
    - Index Data：一个轻量级的index，默认是为各列每隔1W行做一个索引。每个索引会记录第n万行的位置，和最近一万行的最大值和最小值等信息。
    - Row Data：存的是具体的数据，按列进行存储，并对每个列进行编码，分成多个Stream来存储。
    - Stripe Footer：存放的是各个Stream的位置以及各column的编码信息。
  - Tail由File Footer和PostScript组成。File Footer中保存了各Stripe的其实位置、索引长度、数据长度等信息，各Column的统计信息等；PostScript记录了整个文件的压缩类型以及File Footer的长度信息等。
- 在读取ORC文件时，会先从最后一个字节读取PostScript长度，进而读取到PostScript，从里面解析到File
  Footer长度，进而读取FileFooter，从中解析到各个Stripe信息，再读各个Stripe，即从后往前读。

建表语句

create table orc_table
(column_specs)
stored as orc
tblproperties (property_name=property_value, ...);

ORC文件格式支持的参数如下：

11.1.3 Parquet

Parquet文件是Hadoop生态中的一个通用的文件格式，它也是一个列式存储的文件格式。
Parquet文件的格式如下图所示：
- 上图展示了一个Parquet文件的基本结构，文件的首尾都是该文件的Magic Code，用于校验它是否是一个Parquet文件。
- 首尾中间由若干个Row Group和一个Footer（File Meta Data）组成。
  - 每个Row Group包含多个Column Chunk，每个Column Chunk包含多个Page。以下是Row Group、Column Chunk和Page三个概念的说明：
    - 行组（Row Group）：一个行组对应逻辑表中的若干行。
    - 列块（Column Chunk）：一个行组中的一列保存在一个列块中。
    - 页（Page）：一个列块的数据会划分为若干个页。
  - Footer（File Meta Data）中存储了每个行组（Row Group）中的每个列快（Column Chunk）的元数据信息，元数据信息包含了该列的数据类型、该列的编码方式、该类的Data Page位置等信息。

建表语句

Create table parquet_table
(column_specs)
stored as parquet
tblproperties (property_name=property_value, ...);

支持的参数如下：

11.3 压缩

在Hive表中和计算过程中，保持数据的压缩，对磁盘空间的有效利用和提高查询性能都是十分有益的。

11.2.1 Hive表数据进行压缩

在Hive中，不同文件类型的表，声明数据压缩的方式是不同的。

TextFile

若一张表的文件类型为TextFile，若需要对该表中的数据进行压缩，多数情况下，无需在建表语句做出声明。直接将压缩后的文件导入到该表即可，Hive在查询表中数据时，可自动识别其压缩格式，进行解压。

需要注意的是，在执行往表中导入数据的SQL语句时，用户需设置以下参数，来保证写入表中的数据是被压缩的。

--SQL语句的最终输出结果是否压缩
set hive.exec.compress.output=true;
--输出结果的压缩格式（以下示例为snappy）
set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec;

ORC

若一张表的文件类型为ORC，若需要对该表数据进行压缩，需在建表语句中声明压缩格式如下：
1
2
3
4
create table orc_table
(column_specs)
stored as orc
tblproperties ("orc.compress"="snappy");

Parquet

若一张表的文件类型为Parquet，若需要对该表数据进行压缩，需在建表语句中声明压缩格式如下：
1
2
3
4
create table orc_table
(column_specs)
stored as parquet
tblproperties ("parquet.compression"="snappy");

11.2.2 计算过程中使用压缩

单个MR的中间结果进行压缩

单个MR的中间结果是指Mapper输出的数据，对其进行压缩可降低shuffle阶段的网络IO，可通过以下参数进行配置：

--开启MapReduce中间数据压缩功能
set mapreduce.map.output.compress=true;
--设置MapReduce中间数据数据的压缩方式（以下示例为snappy）
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

单条SQL语句的中间结果进行压缩

单条SQL语句的中间结果是指，两个MR（一条SQL语句可能需要通过MR进行计算）之间的临时数据，可通过以下参数进行配置：

--是否对两个MR之间的临时数据进行压缩
set hive.exec.compress.intermediate=true;
--压缩格式（以下示例为snappy）
set hive.intermediate.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;

12、企业级调优

12.1 计算资源配置

计算环境为Hive on MR。计算资源的调整主要包括Yarn和MR。

12.1.1 Yarn资源配置

Yarn配置说明

需要调整的Yarn参数均与CPU、内存等资源有关，核心配置参数如下：
- yarn.nodemanager.resource.memory-mb：该参数的含义是，一个NodeManager节点分配给Container使用的内存。该参数的配置，取决于NodeManager所在节点的总内存容量和该节点运行的其他服务的数量。考虑上述因素，此处可将该参数设置为64G，如下：
  1
  2
  3
  4
  <property>
  <name>yarn.nodemanager.resource.memory-mb</name>
  <value>65536</value>
  </property>
- yarn.nodemanager.resource.cpu-vcores：该参数的含义是，一个NodeManager节点分配给Container使用的CPU核数。该参数的配置，同样取决于NodeManager所在节点的总CPU核数和该节点运行的其他服务。考虑上述因素，此处可将该参数设置为16。
  1
  2
  3
  4
  <property>
  <name>yarn.nodemanager.resource.cpu-vcores</name>
  <value>16</value>
  </property>
- yarn.scheduler.maximum-allocation-mb：该参数的含义是，单个Container能够使用的最大内存。推荐配置如下：
  1
  2
  3
  4
  <property>
  <name>yarn.scheduler.maximum-allocation-mb</name>
  <value>16384</value>
  </property>
- yarn.scheduler.minimum-allocation-mb：该参数的含义是，单个Container能够使用的最小内存，推荐配置如下：
  1
  2
  3
  4
  <property>
  <name>yarn.scheduler.minimum-allocation-mb</name>
  <value>512</value>
  </property>

Yarn配置实操

修改$HADOOP_HOME/etc/hadoop/yarn-site.xml文件

修改如下参数：

<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>65536</value>
</property>
<property>
    <name>yarn.nodemanager.resource.cpu-vcores</name>
    <value>16</value>
</property>
<property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>16384</value>
</property>
<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>512</value>
</property>

分发该配置文件。
重启Yarn。

12.1.2 MapReduce资源配置

MapReduce资源配置主要包括Map Task的内存和CPU核数，以及Reduce Task的内存和CPU核数。核心配置参数如下：
- mapreduce.map.memory.mb：该参数的含义是，单个Map Task申请的container容器内存大小，其默认值为1024。该值不能超出yarn.scheduler.maximum-allocation-mb和yarn.scheduler.minimum-allocation-mb规定的范围。该参数需要根据不同的计算任务单独进行配置，在hive中，可直接使用如下方式为每个SQL语句单独进行配置：
  1
  set mapreduce.map.memory.mb=2048;
- mapreduce.map.cpu.vcores：该参数的含义是，单个Map Task申请的container容器cpu核数，其默认值为1。该值一般无需调整。
- mapreduce.reduce.memory.mb：该参数的含义是，单个Reduce Task申请的container容器内存大小，其默认值为1024。该值同样不能超出yarn.scheduler.maximum-allocation-mb和yarn.scheduler.minimum-allocation-mb规定的范围。该参数需要根据不同的计算任务单独进行配置，在hive中，可直接使用如下方式为每个SQL语句单独进行配置：
  1
  set mapreduce.reduce.memory.mb=2048;
- mapreduce.reduce.cpu.vcores：该参数的含义是，单个Reduce Task申请的container容器cpu核数，其默认值为1。该值一般无需调整。

12.3 Explain查看执行计划（重点）

12.3.1 Explain执行计划概述

Explain呈现的执行计划，由一系列Stage组成，这一系列Stage具有依赖关系，每个Stage对应一个MapReduce Job，或者一个文件系统操作等。
若某个Stage对应的一个MapReduce Job，其Map端和Reduce端的计算逻辑分别由Map
Operator Tree和Reduce Operator Tree进行描述，Operator Tree由一系列的Operator组成，一个Operator代表在Map或Reduce阶段的一个单一的逻辑操作，例如TableScan Operator，Select Operator，Join Operator等。
下图是由一个执行计划绘制而成：
常见的Operator及其作用如下：
- TableScan：表扫描操作，通常map端第一个操作肯定是表扫描操作
- Select Operator：选取操作
- Group By Operator：分组聚合操作
- Reduce Output Operator：输出到 reduce 操作
- Filter Operator：过滤操作
- Join Operator：join 操作
- File Output Operator：文件输出操作
- Fetch Operator 客户端获取数据操作

12.3.2 基本语法

1	EXPLAIN [FORMATTED \| EXTENDED \| DEPENDENCY] query-sql

注：FORMATTED、EXTENDED、DEPENDENCY关键字为可选项，各自作用如下。
- FORMATTED：将执行计划以JSON字符串的形式输出。
- EXTENDED：输出执行计划中的额外信息，通常是读写的文件名等信息。
- DEPENDENCY：输出执行计划读取的表及分区。

12.3.3 案例实操

查看下面这条语句的执行计划

hive (default)> 
explain
select
    user_id,
    count(*)
from order_detail
group by user_id;

12.4 HQL语法优化之分组聚合优化

12.4.1 优化说明

Hive中未经优化的分组聚合，是通过一个MapReduce Job实现的。Map端负责读取数据，并按照分组字段分区，通过Shuffle，将数据发往Reduce端，各组数据在Reduce端完成最终的聚合运算。
Hive对分组聚合的优化主要围绕着减少Shuffle数据量进行，具体做法是map-side聚合。所谓map-side聚合，就是在map端维护一个hash table，利用其完成部分的聚合，然后将部分聚合的结果，按照分组字段分区，发送至reduce端，完成最终的聚合。map-side聚合能有效减少shuffle的数据量，提高分组聚合运算的效率。

map-side 聚合相关的参数如下：

--启用map-side聚合
set hive.map.aggr=true;

--用于检测源表数据是否适合进行map-side聚合。检测的方法是：先对若干条数据进行map-side聚合，若聚合后的条数和聚合前的条数比值小于该值，则认为该表适合进行map-side聚合；否则，认为该表数据不适合进行map-side聚合，后续数据便不再进行map-side聚合。
set hive.map.aggr.hash.min.reduction=0.5;

--用于检测源表是否适合map-side聚合的条数。
set hive.groupby.mapaggr.checkinterval=100000;

--map-side聚合所用的hash table，占用map task堆内存的最大比例，若超出该值，则会对hash table进行一次flush。
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

12.4.2 优化案例

示例SQL

hive (default)> 
select
    product_id,
    count(*)
from order_detail
group by product_id;

优化前
- 未经优化的分组聚合，执行计划如下图所示：

优化思路

可以考虑开启map-side聚合，配置以下参数：

--启用map-side聚合，默认是true
set hive.map.aggr=true;

--用于检测源表数据是否适合进行map-side聚合。检测的方法是：先对若干条数据进行map-side聚合，若聚合后的条数和聚合前的条数比值小于该值，则认为该表适合进行map-side聚合；否则，认为该表数据不适合进行map-side聚合，后续数据便不再进行map-side聚合。
set hive.map.aggr.hash.min.reduction=0.5;

--用于检测源表是否适合map-side聚合的条数。
set hive.groupby.mapaggr.checkinterval=100000;

--map-side聚合所用的hash table，占用map task堆内存的最大比例，若超出该值，则会对hash table进行一次flush。
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

优化后的执行计划如图所示：

12.5 HQL语法优化之Join优化

12.5.1 Join算法概述

Hive拥有多种join算法，包括Common Join，Map Join，Bucket Map Join，Sort Merge Buckt Map Join等，下面对每种join算法做简要说明：

Common Join

Common Join是Hive中最稳定的join算法，其通过一个MapReduce Job完成一个join操作。Map端负责读取join操作所需表的数据，并按照关联字段进行分区，通过Shuffle，将其发送到Reduce端，相同key的数据在Reduce端完成最终的Join操作。如下图所示：
需要注意的是，sql语句中的join操作和执行计划中的Common Join任务并非一对一的关系，一个sql语句中的相邻的且关联字段相同的多个join操作可以合并为一个Common Join任务。例如：
1
2
3
4
5
6
7
8
hive (default)>
select
a.val,
b.val,
c.val
from a
join b on (a.key = b.key1)
join c on (c.key = b.key1)
- 上述sql语句中两个join操作的关联字段均为b表的key1字段，则该语句中的两个join操作可由一个Common Join任务实现，也就是可通过一个Map Reduce任务实现。
1
2
3
4
5
6
7
8
hive (default)>
select
a.val,
b.val,
c.val
from a
join b on (a.key = b.key1)
join c on (c.key = b.key2)
- 上述sql语句中的两个join操作关联字段各不相同，则该语句的两个join操作需要各自通过一个Common
  Join任务实现，也就是通过两个Map Reduce任务实现。

Map Join

Map Join算法可以通过两个只有map阶段的Job完成一个join操作。其适用场景为大表join小表。若某join操作满足要求，则第一个Job会读取小表数据，将其制作为hash table，并上传至Hadoop分布式缓存（本质上是上传至HDFS）。第二个Job会先从分布式缓存中读取小表数据，并缓存在Map Task的内存中，然后扫描大表数据，这样在map端即可完成关联操作。如下图所示：

Bucket Map Join

Bucket Map Join是对Map Join算法的改进，其打破了Map Join只适用于大表join小表的限制，可用于大表join大表的场景。
Bucket Map Join的核心思想是：若能保证参与join的表均为分桶表，且关联字段为分桶字段，且其中一张表的分桶数量是另外一张表分桶数量的整数倍，就能保证参与join的两张表的分桶之间具有明确的关联关系，所以就可以在两表的分桶间进行Map Join操作了。这样一来，第二个Job的Map端就无需再缓存小表的全表数据了，而只需缓存其所需的分桶即可。其原理如图所示：

Sort Merge Bucket Map Join

Sort Merge Bucket Map Join（简称SMB Map Join）基于Bucket Map Join。SMB Map Join要求，参与join的表均为分桶表，且需保证分桶内的数据是有序的，且分桶字段、排序字段和关联字段为相同字段，且其中一张表的分桶数量是另外一张表分桶数量的整数倍。
SMB Map Join同Bucket Join一样，同样是利用两表各分桶之间的关联关系，在分桶之间进行join操作，不同的是，分桶之间的join操作的实现原理。Bucket Map Join，两个分桶之间的join实现原理为Hash Join算法；而SMB Map Join，两个分桶之间的join实现原理为Sort Merge Join算法。
Hash Join和Sort Merge Join均为关系型数据库中常见的Join实现算法。Hash Join的原理相对简单，就是对参与join的一张表构建hash table，然后扫描另外一张表，然后进行逐行匹配。Sort Merge Join需要在两张按照关联字段排好序的表中进行，其原理如图所示：
Hive中的SMB Map Join就是对两个分桶的数据按照上述思路进行Join操作。可以看出，SMB Map Join与Bucket Map Join相比，在进行Join操作时，Map端是无需对整个Bucket构建hash table，也无需在Map端缓存整个Bucket数据的，每个Mapper只需按顺序逐个key读取两个分桶的数据进行join即可。

12.5.2 Map Join

12.5.2.1 优化说明

Map Join有两种触发方式，一种是用户在SQL语句中增加hint提示，另外一种是Hive优化器根据参与join表的数据量大小，自动触发。

Hint提示

用户可通过如下方式，指定通过map join算法，并且ta将作为map join中的小表。这种方式已经过时，不推荐使用。
1
2
3
4
5
6
7
hive (default)>
select /*+ mapjoin(ta) */
ta.id,
tb.id
from table_a ta
join table_b tb
on ta.id=tb.id;

自动触发

Hive在编译SQL语句阶段，起初所有的join操作均采用Common Join算法实现。
之后在物理优化阶段，Hive会根据每个Common Join任务所需表的大小判断该Common Join任务是否能够转换为Map Join任务，若满足要求，便将Common Join任务自动转换为Map Join任务。
但有些Common Join任务所需的表大小，在SQL的编译阶段是未知的（例如对子查询进行join操作），所以这种Common Join任务是否能转换成Map Join任务在编译阶是无法确定的。
针对这种情况，Hive会在编译阶段生成一个条件任务（Conditional Task），其下会包含一个计划列表，计划列表中包含转换后的Map Join任务以及原有的Common Join任务。最终具体采用哪个计划，是在运行时决定的。大致思路如下图所示：

Map join自动转换的具体判断逻辑如下图所示：

图中涉及到的参数如下：

--启动Map Join自动转换
set hive.auto.convert.join=true;

--一个Common Join operator转为Map Join operator的判断条件,若该Common Join相关的表中,存在n-1张表的已知大小总和<=该值,则生成一个Map Join计划,此时可能存在多种n-1张表的组合均满足该条件,则hive会为每种满足条件的组合均生成一个Map Join计划,同时还会保留原有的Common Join计划作为后备(back up)计划,实际运行时,优先执行Map Join计划，若不能执行成功，则启动Common Join后备计划。
set hive.mapjoin.smalltable.filesize=250000;

--开启无条件转Map Join
set hive.auto.convert.join.noconditionaltask=true;

--无条件转Map Join时的小表之和阈值,若一个Common Join operator相关的表中，存在n-1张表的大小总和<=该值,此时hive便不会再为每种n-1张表的组合均生成Map Join计划,同时也不会保留Common Join作为后备计划。而是只生成一个最优的Map Join计划。
set hive.auto.convert.join.noconditionaltask.size=10000000;

12.5.2.2 优化案例

示例SQL

hive (default)> 
select
    *
from order_detail od
join product_info product on od.product_id = product.id
join province_info province on od.province_id = province.id;

优化前
- 上述SQL语句共有三张表进行两次join操作，且两次join操作的关联字段不同。故优化前的执行计划应该包含两个Common Join operator，也就是由两个MapReduce任务实现。执行计划如下图所示：

优化思路

经分析，参与join的三张表，数据量如下：
- 注：可使用如下语句获取表/分区的大小信息
  1
  2
  hive (default)>
  desc formatted table_name partition(partition_col='partition');

三张表中，product_info和province_info数据量较小，可考虑将其作为小表，进行Map
Join优化。根据前文Common Join任务转Map Join任务的判断逻辑图，可得出以下优化方案：

方案一：

-- 启用Map Join自动转换。
hive (default)> 
set hive.auto.convert.join=true;

-- 不使用无条件转Map Join。
hive (default)> 
set hive.auto.convert.join.noconditionaltask=false;

-- 调整hive.mapjoin.smalltable.filesize参数，使其大于等于product_info。
hive (default)> set hive.mapjoin.smalltable.filesize=25285707;

这样可保证将两个Common Join operator均可转为Map Join operator，并保留Common Join作为后备计划，保证计算任务的稳定。调整完的执行计划如下图：

方案二：

-- 启用Map Join自动转换。
hive (default)> 
set hive.auto.convert.join=true;

-- 使用无条件转Map Join。
hive (default)> 
set hive.auto.convert.join.noconditionaltask=true;

-- 调整hive.auto.convert.join.noconditionaltask.size参数，使其大于等于product_info和province_info之和。
hive (default)> 
set hive.auto.convert.join.noconditionaltask.size=25286076;

这样可直接将两个Common Join operator转为两个Map Join operator，并且由于两个Map Join operator的小表大小之和小于等于hive.auto.convert.join.noconditionaltask.size，故两个Map
Join operator任务可合并为同一个。这个方案计算效率最高，但需要的内存也是最多的。调整完的执行计划如下图：

方案三：

-- 启用Map Join自动转换。
hive (default)> 
set hive.auto.convert.join=true;

-- 使用无条件转Map Join。
hive (default)> 
set hive.auto.convert.join.noconditionaltask=true;

-- 调整hive.auto.convert.join.noconditionaltask.size参数，使其等于product_info。
hive (default)> 
set hive.auto.convert.join.noconditionaltask.size=25285707;

这样可直接将两个Common Join operator转为Map Join operator，但不会将两个Map Join的任务合并。该方案计算效率比方案二低，但需要的内存也更少。调整完的执行计划如下图：

12.5.3 Bucket Map Join

12.5.3.1 优化说明

Bucket Map Join不支持自动转换，发须通过用户在SQL语句中提供如下Hint提示，并配置如下相关参数，方可使用。

Hint提示

hive (default)> 
select /*+ mapjoin(ta) */
    ta.id,
    tb.id
from table_a ta
join table_b tb on ta.id=tb.id;

相关参数

-- 关闭cbo优化，cbo会导致hint信息被忽略
set hive.cbo.enable=false;

-- map join hint默认会被忽略(因为已经过时)，需将如下参数设置为false
set hive.ignore.mapjoin.hint=false;

-- 启用bucket map join优化功能
set hive.optimize.bucketmapjoin = true;

12.5.3.2 优化案例

示例SQL

hive (default)> 
select
    *
from(
    select
        *
    from order_detail
    where dt='2020-06-14'
)od
join(
    select
        *
    from payment_detail
    where dt='2020-06-14'
)pd
on od.id=pd.order_detail_id;

优化前
- 上述SQL语句共有两张表一次join操作，故优化前的执行计划应包含一个Common Join任务，通过一个MapReduce Job实现。执行计划如下图所示：

优化思路

经分析，参与join的两张表，数据量如下。
两张表都相对较大，若采用普通的Map Join算法，则Map端需要较多的内存来缓存数据，当然可以选择为Map段分配更多的内存，来保证任务运行成功。但是，Map端的内存不可能无上限的分配，所以当参与Join的表数据量均过大时，就可以考虑采用Bucket Map Join算法。下面演示如何使用Bucket Map Join。

首先需要依据源表创建两个分桶表，order_detail建议分16个bucket，payment_detail建议分8个bucket,注意分桶个数的倍数关系以及分桶字段。

--订单表
hive (default)> 
drop table if exists order_detail_bucketed;
create table order_detail_bucketed(
    id           string comment '订单id',
    user_id      string comment '用户id',
    product_id   string comment '商品id',
    province_id  string comment '省份id',
    create_time  string comment '下单时间',
    product_num  int comment '商品件数',
    total_amount decimal(16, 2) comment '下单金额'
)
clustered by (id) into 16 buckets
row format delimited fields terminated by '\t';

--支付表
hive (default)> 
drop table if exists payment_detail_bucketed;
create table payment_detail_bucketed(
    id              string comment '支付id',
    order_detail_id string comment '订单明细id',
    user_id         string comment '用户id',
    payment_time    string comment '支付时间',
    total_amount    decimal(16, 2) comment '支付金额'
)
clustered by (order_detail_id) into 8 buckets
row format delimited fields terminated by '\t';

然后向两个分桶表导入数据。

--订单表
hive (default)> 
insert overwrite table order_detail_bucketed
select
    id,
    user_id,
    product_id,
    province_id,
    create_time,
    product_num,
    total_amount   
from order_detail
where dt='2020-06-14';

--分桶表
hive (default)> 
insert overwrite table payment_detail_bucketed
select
    id,
    order_detail_id,
    user_id,
    payment_time,
    total_amount
from payment_detail
where dt='2020-06-14';

然后设置以下参数：

-- 关闭cbo优化，cbo会导致hint信息被忽略，需将如下参数修改为false
set hive.cbo.enable=false;

-- map join hint默认会被忽略(因为已经过时)，需将如下参数修改为false
set hive.ignore.mapjoin.hint=false;

-- 启用bucket map join优化功能,默认不启用，需将如下参数修改为true
set hive.optimize.bucketmapjoin = true;

最后再重写SQL语句，如下：

hive (default)> 
select /*+ mapjoin(pd) */
    *
from order_detail_bucketed od
join payment_detail_bucketed pd on od.id = pd.order_detail_id;

优化后的执行计划如图所示：

需要注意的是，Bucket Map Join的执行计划的基本信息和普通的Map Join无异，若想看到差异，可执行如下语句，查看执行计划的详细信息。详细执行计划中，如在Map Join Operator中看到”BucketMapJoin:true“，则表明使用的Join算法为Bucket Map Join。
1
2
3
4
5
hive (default)>
explain extended select /*+ mapjoin(pd) */
*
from order_detail_bucketed od
join payment_detail_bucketed pd on od.id = pd.order_detail_id;

12.5.4 Sort Merge Bucket Map Join

12.5.4.1 优化说明

Sort Merge Bucket Map Join有两种触发方式，包括Hint提示和自动转换。Hint提示已过时，不推荐使用。下面是自动转换的相关参数：

-- 启动Sort Merge Bucket Map Join优化
set hive.optimize.bucketmapjoin.sortedmerge=true;

-- 使用自动转换SMB Join
set hive.auto.convert.sortmerge.join=true;

12.5.4.2 优化案例

示例SQL语句

hive (default)> 
select
    *
from(
    select
        *
    from order_detail
    where dt='2020-06-14'
)od
join(
    select
        *
    from payment_detail
    where dt='2020-06-14'
)pd
on od.id=pd.order_detail_id;

优化前
上述SQL语句共有两张表一次join操作，故优化前的执行计划应包含一个Common Join任务，通过一个MapReduce Job实现。

优化思路

经分析，参与join的两张表，数据量如下：
两张表都相对较大，除了可以考虑采用Bucket Map Join算法，还可以考虑SMB Join。相较于Bucket Map Join，SMB Map Join对分桶大小是没有要求的。下面演示如何使用SMB Map Join。

首先需要依据源表创建两个的有序的分桶表，order_detail建议分16个bucket，payment_detail建议分8个bucket,注意分桶个数的倍数关系以及分桶字段和排序字段。

--订单表
hive (default)> 
drop table if exists order_detail_sorted_bucketed;
create table order_detail_sorted_bucketed(
    id           string comment '订单id',
    user_id      string comment '用户id',
    product_id   string comment '商品id',
    province_id  string comment '省份id',
    create_time  string comment '下单时间',
    product_num  int comment '商品件数',
    total_amount decimal(16, 2) comment '下单金额'
)
clustered by (id) sorted by(id) into 16 buckets
row format delimited fields terminated by '\t';

--支付表
hive (default)> 
drop table if exists payment_detail_sorted_bucketed;
create table payment_detail_sorted_bucketed(
    id              string comment '支付id',
    order_detail_id string comment '订单明细id',
    user_id         string comment '用户id',
    payment_time    string comment '支付时间',
    total_amount    decimal(16, 2) comment '支付金额'
)
clustered by (order_detail_id) sorted by(order_detail_id) into 8 buckets
row format delimited fields terminated by '\t';

然后向两个分桶表导入数据。

--订单表
hive (default)> 
insert overwrite table order_detail_sorted_bucketed
select
    id,
    user_id,
    product_id,
    province_id,
    create_time,
    product_num,
    total_amount   
from order_detail
where dt='2020-06-14';

--分桶表
hive (default)> 
insert overwrite table payment_detail_sorted_bucketed
select
    id,
    order_detail_id,
    user_id,
    payment_time,
    total_amount
from payment_detail
where dt='2020-06-14';

然后设置以下参数：

-- 启动Sort Merge Bucket Map Join优化
set hive.optimize.bucketmapjoin.sortedmerge=true;

-- 使用自动转换SMB Join
set hive.auto.convert.sortmerge.join=true;

最后再重写SQL语句，如下：

hive (default)> 
select
    *
from order_detail_sorted_bucketed od
join payment_detail_sorted_bucketed pd
on od.id = pd.order_detail_id;

优化后的执行计如图所示：

12.6 HQL语法优化之数据倾斜

12.6.1 数据倾斜概述

数据倾斜问题，通常是指参与计算的数据分布不均，即某个key或者某些key的数据量远超其他key，导致在shuffle阶段，大量相同key的数据被发往同一个Reduce，进而导致该Reduce所需的时间远超其他Reduce，成为整个任务的瓶颈。
Hive中的数据倾斜常出现在分组聚合和join操作的场景中，下面分别介绍在上述两种场景下的优化思路。

12.6.2 分组聚合导致的数据倾斜

12.6.2.1 优化说明

前文提到过，Hive中未经优化的分组聚合，是通过一个MapReduce Job实现的。Map端负责读取数据，并按照分组字段分区，通过Shuffle，将数据发往Reduce端，各组数据在Reduce端完成最终的聚合运算。
如果group by分组字段的值分布不均，就可能导致大量相同的key进入同一Reduce，从而导致数据倾斜问题。

由分组聚合导致的数据倾斜问题，有以下两种解决思路：

Map-Side聚合

开启Map-Side聚合后，数据会现在Map端完成部分聚合工作。这样一来即便原始数据是倾斜的，经过Map端的初步聚合后，发往Reduce的数据也就不再倾斜了。最佳状态下，Map-端聚合能完全屏蔽数据倾斜问题。相关参数如下：

-- 启用map-side聚合
set hive.map.aggr=true;

-- 用于检测源表数据是否适合进行map-side聚合。检测的方法是：先对若干条数据进行map-side聚合，若聚合后的条数和聚合前的条数比值小于该值，则认为该表适合进行map-side聚合；否则，认为该表数据不适合进行map-side聚合，后续数据便不再进行map-side聚合。
set hive.map.aggr.hash.min.reduction=0.5;

-- 用于检测源表是否适合map-side聚合的条数。
set hive.groupby.mapaggr.checkinterval=100000;

-- map-side聚合所用的hash table，占用map task堆内存的最大比例，若超出该值，则会对hash table进行一次flush。
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

Skew-GroupBy优化
- Skew-GroupBy的原理是启动两个MR任务，第一个MR按照随机数分区，将数据分散发送到Reduce，完成部分聚合，第二个MR按照分组字段分区，完成最终聚合。相关参数如下：
  1
  2
  -- 启用分组聚合数据倾斜优化
  set hive.groupby.skewindata=true;

12.6.2.2 优化案例

示例SQL语句

hive (default)>
select
    province_id,
    count(*)
from order_detail
group by province_id;

优化前
- 该表数据中的province_id字段是存在倾斜的，若不经过优化，通过观察任务的执行过程，是能够看出数据倾斜现象的。
- 需要注意的是，hive中的map-side聚合是默认开启的，若想看到数据倾斜的现象，需要先将hive.map.aggr参数设置为false。
优化思路。通过上述两种思路均可解决数据倾斜的问题。下面分别进行说明：
- Map-Side聚合
  1
  2
  3
  4
  5
  -- 启用map-side聚合
  set hive.map.aggr=true;
  
  -- 关闭skew-groupby
  set hive.groupby.skewindata=false;
  很明显可以看到开启map-side聚合后，reduce数据不再倾斜。
- Skew-GroupBy优化
  1
  2
  3
  4
  5
  -- 启用skew-groupby
  set hive.groupby.skewindata=true;
  
  -- 关闭map-side聚合
  set hive.map.aggr=false;
  开启Skew-GroupBy优化后，可以很明显看到该sql执行在yarn上启动了两个mr任务，第一个mr打散数据，第二个mr按照打散后的数据进行分组聚合。

12.6.3 Join导致的数据倾斜

12.6.3.1 优化说明

前文提到过，未经优化的join操作，默认是使用common join算法，也就是通过一个MapReduce
Job完成计算。Map端负责读取join操作所需表的数据，并按照关联字段进行分区，通过Shuffle，将其发送到Reduce端，相同key的数据在Reduce端完成最终的Join操作。
如果关联字段的值分布不均，就可能导致大量相同的key进入同一Reduce，从而导致数据倾斜问题。

由join导致的数据倾斜问题，有如下三种解决方案：

map join：使用map join算法，join操作仅在map端就能完成，没有shuffle操作，没有reduce阶段，自然不会产生reduce端的数据倾斜。该方案适用于大表join小表时发生数据倾斜的场景。相关参数如下：

-- 启动Map Join自动转换
set hive.auto.convert.join=true;

-- 一个Common Join operator转为Map Join operator的判断条件,若该Common Join相关的表中,存在n-1张表的大小总和<=该值,则生成一个Map Join计划,此时可能存在多种n-1张表的组合均满足该条件,则hive会为每种满足条件的组合均生成一个Map Join计划,同时还会保留原有的Common Join计划作为后备(back up)计划,实际运行时,优先执行Map Join计划，若不能执行成功，则启动Common Join后备计划。
set hive.mapjoin.smalltable.filesize=250000;

-- 开启无条件转Map Join
set hive.auto.convert.join.noconditionaltask=true;

-- 无条件转Map Join时的小表之和阈值,若一个Common Join operator相关的表中，存在n-1张表的大小总和<=该值,此时hive便不会再为每种n-1张表的组合均生成Map Join计划,同时也不会保留Common Join作为后备计划。而是只生成一个最优的Map Join计划。
set hive.auto.convert.join.noconditionaltask.size=10000000;

skew join：skew join的原理是，为倾斜的大key单独启动一个map join任务进行计算，其余key进行正常的common join。原理图如下：
1
2
3
4
-- 启用skew join优化
set hive.optimize.skewjoin=true;
-- 触发skew join的阈值，若某个key的行数超过该参数值，则触发
set hive.skewjoin.key=100000;
这种方案对参与join的源表大小没有要求，但是对两表中倾斜的key的数据量有要求，要求一张表中的倾斜key的数据量比较小（方便走map join）。

调整SQL语句：若参与join的两表均为大表，其中一张表的数据是倾斜的，此时也可通过以下方式对SQL语句进行相应的调整。

假设原始SQL语句如下：A，B两表均为大表，且其中一张表的数据是倾斜的。
1
2
3
4
5
6
hive (default)>
select
*
from A
join B
on A.id=B.id;
其join过程如下：

图中1001为倾斜的大key，可以看到，其被发往了同一个Reduce进行处理。

调整SQL语句如下：

hive (default)>
select
    *
from(
    select --打散操作
        concat(id,'_',cast(rand()*2 as int)) id,
        value
    from A
)ta
join(
    select --扩容操作
        concat(id,'_',0) id,
        value
    from B
    union all
    select
        concat(id,'_',1) id,
        value
    from B
)tb
on ta.id=tb.id;

12.6.3.2 优化案例

示例SQL语句

hive (default)>
select
    *
from order_detail od
join province_info pi
on od.province_id=pi.id;

优化前
- order_detail表中的province_id字段是存在倾斜的，若不经过优化，通过观察任务的执行过程，是能够看出数据倾斜现象的。
- 需要注意的是，hive中的map join自动转换是默认开启的，若想看到数据倾斜的现象，需要先将hive.auto.convert.join参数设置为false。
优化思路：上述两种优化思路均可解决该数据倾斜问题，下面分别进行说明：
- map join
  1
  2
  3
  4
  5
  -- 启用map join
  set hive.auto.convert.join=true;
  
  -- 关闭skew join
  set hive.optimize.skewjoin=false;
  可以很明显看到开启map join以后，mr任务只有map阶段，没有reduce阶段，自然也就不会有数据倾斜发生。
- skew join
  1
  2
  3
  4
  5
  -- 启动skew join
  set hive.optimize.skewjoin=true;
  
  -- 关闭map join
  set hive.auto.convert.join=false;
  开启skew join后，使用explain可以很明显看到执行计划如下图所示，说明skew join生效，任务既有common join，又有部分key走了map join。
  
  并且该sql在yarn上最终启动了两个mr任务，而且第二个任务只有map没有reduce阶段，说明第二个任务是对倾斜的key进行了map join。

12.7 HQL语法优化之任务并行度

12.7.1 优化说明

对于一个分布式的计算任务而言，设置一个合适的并行度十分重要。Hive的计算任务由MapReduce完成，故并行度的调整需要分为Map端和Reduce端。

12.7.1.1 Map端并行度

Map端的并行度，也就是Map的个数。是由输入文件的切片数决定的。一般情况下，Map端的并行度无需手动调整。以下特殊情况可考虑调整map端并行度：
- 查询的表中存在大量小文件：按照Hadoop默认的切片策略，一个小文件会单独启动一个map
  task负责计算。若查询的表中存在大量小文件，则会启动大量map task，造成计算资源的浪费。这种情况下，可以使用Hive提供的CombineHiveInputFormat，多个小文件合并为一个切片，从而控制map task个数。相关参数如下：
  1
  set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
- map端有复杂的查询逻辑：若SQL语句中有正则替换、json解析等复杂耗时的查询逻辑时，map端的计算会相对慢一些。若想加快计算速度，在计算资源充足的情况下，可考虑增大map端的并行度，令map task多一些，每个map task计算的数据少一些。相关参数如下：
  1
  2
  -- 一个切片的最大值
  set mapreduce.input.fileinputformat.split.maxsize=256000000;

12.7.1.2 Reduce端并行度

Reduce端的并行度，也就是Reduce个数。相对来说，更需要关注。Reduce端的并行度，可由用户自己指定，也可由Hive自行根据该MR Job输入的文件大小进行估算。

Reduce端的并行度的相关参数如下：

-- 指定Reduce端并行度，默认值为-1，表示用户未指定
set mapreduce.job.reduces;

-- Reduce端并行度最大值
set hive.exec.reducers.max;

-- 单个Reduce Task计算的数据量，用于估算Reduce并行度
set hive.exec.reducers.bytes.per.reducer;

Reduce端并行度的确定逻辑如下：
- 若指定参数mapreduce.job.reduces的值为一个非负整数，则Reduce并行度为指定值。否则，Hive自行估算Reduce并行度，估算逻辑如下：假设Job输入的文件大小为totalInputBytes，参数hive.exec.reducers.bytes.per.reducer的值为bytesPerReducer。参数hive.exec.reducers.max的值为maxReducers。则Reduce端的并行度为：
- 根据上述描述，可以看出，Hive自行估算Reduce并行度时，是以整个MR Job输入的文件大小作为依据的。因此，在某些情况下其估计的并行度很可能并不准确，此时就需要用户根据实际情况来指定Reduce并行度了。

12.7.2 优化案例

示例SQL语句

hive (default)>
select
    province_id,
    count(*)
from order_detail
group by province_id;

优化前
- 上述sql语句，在不指定Reduce并行度时，Hive自行估算并行度的逻辑如下：
  1
  2
  3
  totalInputBytes= 1136009934
  bytesPerReducer=256000000
  maxReducers=1009
- 经计算，Reduce并行度为：
优化思路：上述sql语句，在默认情况下，是会进行map-side聚合的，也就是Reduce端接收的数据，实际上是map端完成聚合之后的结果。观察任务的执行过程，会发现，每个map端输出的数据只有34条记录，共有5个map task。

也就是说Reduce端实际只会接收170（34*5）条记录，故理论上Reduce端并行度设置为1就足够了。这种情况下，用户可通过以下参数，自行设置Reduce端并行度为1。
1
2
-- 指定Reduce端并行度，默认值为-1，表示用户未指定
set mapreduce.job.reduces=1;

12.8 HQL语法优化之小文件合并

12.8.1 优化说明

小文件合并优化，分为两个方面，分别是Map端输入的小文件合并，和Reduce端输出的小文件合并。

12.8.1.1 Map端输入文件合并

合并Map端输入的小文件，是指将多个小文件划分到一个切片中，进而由一个Map Task去处理。目的是防止为单个小文件启动一个Map Task，浪费计算资源。
1
2
-- 可将多个小文件切片，合并为一个切片，进而由一个map任务处理
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

12.8.1.2 Reduce输出文件合并

合并Reduce端输出的小文件，是指将多个小文件合并成大文件。目的是减少HDFS小文件数量。其原理是根据计算任务输出文件的平均大小进行判断，若符合条件，则单独启动一个额外的任务进行合并。

-- 开启合并map only任务输出的小文件
set hive.merge.mapfiles=true;

-- 开启合并map reduce任务输出的小文件
set hive.merge.mapredfiles=true;

-- 合并后的文件大小
set hive.merge.size.per.task=256000000;

-- 触发小文件合并任务的阈值，若某计算任务输出的文件平均大小低于该值，则触发合并
set hive.merge.smallfiles.avgsize=16000000;

12.8.2 优化案例

示例用表：现有一个需求，计算各省份订单金额总和，下表为结果表。

hive (default)>
drop table if exists order_amount_by_province;
create table order_amount_by_province(
    province_id string comment '省份id',
    order_amount decimal(16,2) comment '订单金额'
)
location '/order_amount_by_province';

示例SQL语句

hive (default)>
insert overwrite table order_amount_by_province
select
    province_id,
    sum(total_amount)
from order_detail
group by province_id;

优化前
- 根据任务并行度一节所需内容，可分析出，默认情况下，该sql语句的Reduce端并行度为5，故最终输出文件个数也为5，下图为输出文件，可以看出，5个均为小文件。

优化思路：若想避免小文件的产生，可采取方案有两个。

合理设置任务的Reduce端并行度：若将上述计算任务的并行度设置为1，就能保证其输出结果只有一个文件。

启用Hive合并小文件优化

-- 开启合并map reduce任务输出的小文件
set hive.merge.mapredfiles=true;

-- 合并后的文件大小
set hive.merge.size.per.task=256000000;

-- 触发小文件合并任务的阈值，若某计算任务输出的文件平均大小低于该值，则触发合并
set hive.merge.smallfiles.avgsize=16000000;

再次执行上述的insert语句，观察结果表中的文件，只剩一个了。

12.9 其他优化

12.9.1 CBO优化

12.9.1.1 优化说明

CBO是指Cost based Optimizer，即基于计算成本的优化。
在Hive中，计算成本模型考虑到了：数据的行数、CPU、本地IO、HDFS IO、网络IO等方面。Hive会计算同一SQL语句的不同执行计划的计算成本，并选出成本最低的执行计划。目前CBO在hive的MR引擎下主要用于join的优化，例如多表join的join顺序。
1
2
-- 是否启用cbo优化
set hive.cbo.enable=true;

12.9.2.2 优化案例

示例SQL语句

hive (default)>
select
    *
from order_detail od
join product_info product on od.product_id=product.id
join province_info province on od.province_id=province.id;

关闭CBO优化

-- 关闭cbo优化 
set hive.cbo.enable=false;

-- 为了测试效果更加直观，关闭map join自动转换
set hive.auto.convert.join=false;

根据执行计划，可以看出，三张表的join顺序如下：

开启CBO优化

-- 开启cbo优化 
set hive.cbo.enable=true;

-- 为了测试效果更加直观，关闭map join自动转换
set hive.auto.convert.join=false;

根据执行计划，可以看出，三张表的join顺序如下：

总结
- 根据上述案例可以看出，CBO优化对于执行计划中join顺序是有影响的，其之所以会将province_info的join顺序提前，是因为province info的数据量较小，将其提前，会有更大的概率使得中间结果的数据量变小，从而使整个计算任务的数据量减小，也就是使计算成本变小。

12.9.2 谓词下推

12.9.2.1 优化说明

谓词下推（predicate pushdown）是指，尽量将过滤操作前移，以减少后续计算步骤的数据量。
1
2
-- 是否启动谓词下推（predicate pushdown）优化
set hive.optimize.ppd = true;
- 需要注意的是：CBO优化也会完成一部分的谓词下推优化工作，因为在执行计划中，谓词越靠前，整个计划的计算成本就会越低。

12.9.2.2 优化案例

示例SQL语句

hive (default)>
select
    *
from order_detail
join province_info
where order_detail.province_id='2';

关闭谓词下推优化

-- 是否启动谓词下推（predicate pushdown）优化
set hive.optimize.ppd = false;

-- 为了测试效果更加直观，关闭cbo优化
set hive.cbo.enable=false;

通过执行计划可以看到，过滤操作位于执行计划中的join操作之后。

开启谓词下推优化

-- 是否启动谓词下推（predicate pushdown）优化
set hive.optimize.ppd = true;

-- 为了测试效果更加直观，关闭cbo优化
set hive.cbo.enable=false;

通过执行计划可以看出，过滤操作位于执行计划中的join操作之前。

12.9.3 矢量化查询

Hive的矢量化查询优化，依赖于CPU的矢量化计算，CPU的矢量化计算的基本原理如下图：
Hive的矢量化查询，可以极大的提高一些典型查询场景（例如scans, filters, aggregates, and joins）下的CPU使用效率。
1
set hive.vectorized.execution.enabled=true;
若执行计划中，出现”Execution mode: vectorized”字样，即表明使用了矢量化计算。官网参考连接：https://cwiki.apache.org/confluence/display/Hive/Vectorized+Query+Execution#VectorizedQueryExecution-Limitations

12.9.4 Fetch抓取

Fetch抓取是指，Hive中对某些情况的查询可以不必使用Map Reduce计算。例如：select * from emp;在这种情况下，Hive可以简单地读取emp对应的存储目录下的文件，然后输出查询结果到控制台。相关参数如下：

--是否在特定场景转换为fetch 任务
--设置为none表示不转换
--设置为minimal表示支持select *，分区字段过滤，Limit等
--设置为more表示支持select 任意字段,包括函数，过滤，和limit等
set hive.fetch.task.conversion=more;

12.9.5 本地模式

12.9.5.1 优化说明

大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过，有时Hive的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况，Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。相关参数如下：

-- 开启自动转换为本地模式
set hive.exec.mode.local.auto=true;  

-- 设置local MapReduce的最大输入数据量，当输入数据量小于这个值时采用local  MapReduce的方式，默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;

-- 设置local MapReduce的最大输入文件个数，当输入文件个数小于这个值时采用local MapReduce的方式，默认为4
set hive.exec.mode.local.auto.input.files.max=10;

12.9.5.2 优化案例

示例SQL语句

hive (default)>
select
    count(*)
from product_info
group by category_id;

关闭本地模式
1
set hive.exec.mode.local.auto=false;
开启本地模式
1
set hive.exec.mode.local.auto=true;

12.9.6 并行执行

Hive会将一个SQL语句转化成一个或者多个Stage，每个Stage对应一个MR Job。默认情况下，Hive同时只会执行一个Stage。但是某SQL语句可能会包含多个Stage，但这多个Stage可能并非完全互相依赖，也就是说有些Stage是可以并行执行的。此处提到的并行执行就是指这些Stage的并行执行。相关参数如下：
1
2
3
4
5
-- 启用并行执行优化
set hive.exec.parallel=true;

-- 同一个sql允许最大并行度，默认为8
set hive.exec.parallel.thread.number=8;

12.9.7 严格模式

Hive可以通过设置某些参数防止危险操作：
- 分区表不使用分区过滤。将hive.strict.checks.no.partition.filter设置为true时，对于分区表，除非where语句中含有分区字段过滤条件来限制范围，否则不允许执行。换句话说，就是用户不允许扫描所有分区。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
- 使用order by没有limit过滤。将hive.strict.checks.orderby.no.limit设置为true时，对于使用了order by语句的查询，要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reduce中进行处理，强制要求用户增加这个limit语句可以防止Reduce额外执行很长一段时间（开启了limit可以在数据进入到Reduce之前就减少一部分数据）。
- 笛卡尔积。将hive.strict.checks.cartesian.product设置为true时，会限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句，这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是，Hive并不会执行这种优化，因此，如果表足够大，那么这个查询就会出现不可控的情况。

附录：常见错误及解决方案

连接不上MySQL数据库
- 导错驱动包，应该把mysql-connector-java-5.1.27-bin.jar导入/opt/module/hive/lib的不是这个包。错把mysql-connector-java-5.1.27.tar.gz导入hive/lib包下。
- 修改user表中的主机名称没有都修改为%，而是修改为localhost。

Hive默认的输入格式处理是CombineHiveInputFormat，会对小文件进行合并。

1 2	hive (default)> set hive.input.format; hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat

可以采用HiveInputFormat就会根据分区数输出相应的文件。

1	hive (default)> set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

不能执行MapReduce程序。可能是Hadoop的Yarn没开启。
启动MySQL服务时，报MySQL server PID file could not be found! 异常。在/var/lock/subsys/mysql路径下创建hadoop102.pid，并在文件中添加内容：4396
报service mysql status MySQL is not running, but lock file (/var/lock/subsys/mysql[失败])异常。解决方案：在/var/lib/mysql目录下创建：-rw-rw----. 1 mysql mysql 5
12月 22 16:41 hadoop102.pid文件，并修改权限为777。

JVM堆内存溢出（Hive集群运行模式）

描述：java.lang.OutOfMemoryError: Java heap space

解决：在yarn-site.xml中加入如下代码。

<property>
	<name>yarn.scheduler.maximum-allocation-mb</name>
	<value>2048</value>
</property>
<property>
  	<name>yarn.scheduler.minimum-allocation-mb</name>
  	<value>2048</value>
</property>
<property>
	<name>yarn.nodemanager.vmem-pmem-ratio</name>
	<value>2.1</value>
</property>
<property>
	<name>mapred.child.java.opts</name>
	<value>-Xmx1024m</value>
</property>

JVM堆内存溢出（Hive本地运行模式）

描述：在启用Hive本地模式后，hive.log报错java.lang.OutOfMemoryError: Java heap space

解决方案1（临时）：在Hive客户端临时设置io.sort.mb和mapreduce.task.io.sort.mb两个参数的值为10。

0: jdbc:hive2://hadoop102:10000> set io.sort.mb;
+-----------------+
|       set         |
+-----------------+
| io.sort.mb=100  |
+-----------------+
1 row selected (0.008 seconds)
0: jdbc:hive2://hadoop102:10000> set mapreduce.task.io.sort.mb;
+--------------------------------+
|              set                     |
+--------------------------------+
| mapreduce.task.io.sort.mb=100   |
+--------------------------------+
1 row selected (0.008 seconds)
0: jdbc:hive2://hadoop102:10000> set io.sort.mb = 10;
No rows affected (0.005 seconds)
0: jdbc:hive2://hadoop102:10000> set mapreduce.task.io.sort.mb = 10;
No rows affected (0.004 seconds)

解决方案2（永久生效）：在$HIVE_HOME/conf下添加hive-env.sh。
1
2
3
$ pwd
/opt/module/hive/conf
$ cp hive-env.sh.template hive-env.sh
然后将其中的参数export HADOOP_HEAPSIZE=1024的注释放开，然后重启Hive。

虚拟内存限制。在yarn-site.xml中添加如下配置：

<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
 </property>